Notícia

Pesquisadores usam aprendizado profundo para criar imagens da camada limite planetária da Terra

Fonte

MIT | Instituto de Tecnologia de Massachusetts

Data

domingo, 21 abril 2024 15:45

Áreas

Ciência Ambiental. Ciência de Dados. Clima. Engenharia Ambiental. Geociências. Geografia. Inteligência Artificial. Meteorologia. Monitoramento Ambiental. Queimadas. Saúde Ambiental. Sensoriamento Remoto. Tecnologias.

Embora a troposfera seja frequentemente considerada a camada da atmosfera mais próxima da superfície da Terra, a camada limite planetária (PBL) — a camada mais baixa da troposfera — é na verdade a parte que influencia mais significativamente o clima perto da superfície. Na pesquisa decenal da ciência planetária de 2018, a PBL foi levantada como uma questão científica importante que tem o potencial de melhorar a previsão de tempestades e melhorar as projeções climáticas.

“A PBL é onde a superfície interage com a atmosfera, incluindo trocas de umidade e calor que ajudam a levar a condições climáticas severas e mudanças climáticas”, disse o Dr. Adam Milstein, membro da equipe técnica do Grupo de Sistemas Espaciais Aplicados do Laboratório Lincoln do Instituto de Tecnologia de Massachusetts (MIT), nos Estados Unidos. “A PBL também é onde os humanos vivem, e o movimento turbulento de aerossóis em toda a PBL é importante para a qualidade do ar que influencia a saúde humana”, continuou o pesquisador.

Embora vitais para o estudo do tempo e do clima, características importantes da PBL, como a sua altura, são difíceis de resolver com a tecnologia atual. Nos últimos quatro anos, a equipe do Laboratório Lincoln tem estudado a PBL, concentrando-se em duas tarefas diferentes: usar aprendizado de máquina para criar perfis da atmosfera digitalizados em 3D e resolver a estrutura vertical da atmosfera de forma mais clara, a fim de prever melhor as secas.

Este esforço de pesquisa focado na PBL baseia-se em mais de uma década de trabalho relacionado em algoritmos de redes neurais operacionais pelo Laboratório Lincoln para missões da NASA. Esses algoritmos recuperam a temperatura e a umidade a partir dos dados dos instrumentos de satélite e demonstraram melhorar significativamente a precisão e a cobertura global utilizável das observações em relação às abordagens anteriores. Os algoritmos ajudam a recuperar dados que são usados para caracterizar as estruturas em rápida evolução de uma tempestade quase em tempo real e ajudam a melhorar os modelos de previsão, monitoramento de secas e previsão de incêndios.

Esses algoritmos operacionais são baseados em redes neurais ‘superficiais’ clássicas para maximizar a velocidade e a simplicidade, criando um perfil vertical unidimensional para cada medição espectral coletada pelo instrumento em cada local. Embora esta abordagem tenha melhorado as observações da atmosfera até à superfície em geral, incluindo a PBL, a equipe de pesquisa determinou que são necessárias novas técnicas de aprendizagem ‘profunda’ que tratem a atmosfera sobre uma região de interesse como uma imagem tridimensional para melhorar os detalhes da PBL.

“Nós levantamos a hipótese de que as técnicas de aprendizagem profunda e inteligência artificial (IA) poderiam melhorar as abordagens atuais, incorporando nas soluções uma melhor representação estatística de imagens 3D de temperatura e umidade da atmosfera. Mas demorou um pouco para descobrir como criar o melhor conjunto de dados – uma mistura de dados reais e simulados; precisávamos nos preparar para treinar essas técnicas”, explicou o Dr. Adam Milstein.

A equipe colaborou com o Dr. Joseph Santanello, pesquisador do Goddard Space Flight Center da NASA e com o Dr. William Blackwell, em um esforço recente financiado pela NASA mostrando que esses algoritmos de recuperação podem melhorar os detalhes da PBL, incluindo uma determinação mais precisa da altura da camada em relação ao estado da arte anterior.

Embora um melhor conhecimento da PBL seja amplamente útil para aumentar a compreensão do clima e do tempo, uma aplicação fundamental é a previsão de secas. De acordo com relatório divulgado no ano passado, as secas são uma questão planetária premente que a comunidade global precisa resolver. A falta de humidade perto da superfície, especificamente ao nível da PBL, é o principal indicador de seca. Embora estudos anteriores utilizando técnicas de sensoriamento remoto tenham examinado a umidade do solo para determinar o risco de seca, o estudo da atmosfera pode ajudar a prever quando as secas ocorrerão.

De acordo com o Dr. Milstein, o próximo passo deste projeto é comparar os resultados do aprendizado profundo com conjuntos de dados da Administração Oceânica e Atmosférica Nacional, da NASA e do Departamento de Energia coletados diretamente na PBL usando radiossondas, um tipo de instrumento aéreo em uma estação meteorológica. “Essas medições diretas podem ser consideradas uma espécie de ‘verdade básica’ para quantificar a precisão das técnicas que desenvolvemos”, disse o pesquisador do MIT.

Esta abordagem melhorada da rede neural promete demonstrar a previsão de secas que pode exceder as capacidades dos indicadores existentes e ser uma ferramenta na qual os cientistas poderão confiar nas próximas décadas.

Acesse a notícia completa na página do Instituto de Tecnologia de Massachusetts (em inglês).

Fonte: Haley Wahl, laboratório Lincoln do MIT. Imagem: esquema da camada limite planetária (linha vermelha) mostra as trocas de umidade e o movimento de aerossóis que ocorrem entre a superfície da Terra e o nível mais baixo da atmosfera. Fonte: Dr. Joseph Santanello, NASA.