详细内容或原文请订阅后点击阅览
使用深度学习对地球的行星边界层进行成像
林肯实验室的研究人员正在使用人工智能来更好地了解最接近地球表面的大气层。他们的技术可以改善天气和干旱预测。
来源:MIT新闻 - 人工智能尽管对流层通常被认为是距离地球表面最近的大气层，但行星边界层（PBL）——对流层的最低层——实际上是对地表附近天气影响最大的部分。在 2018 年行星科学十年调查中，行星边界层被提出作为一个重要的科学问题，有可能增强风暴预报并改善气候预测。
行星科学十年调查 重要的科学问题“行星边界层是地表与大气相互作用的地方，包括水分和热量的交换，这会导致恶劣天气和气候变化，”林肯实验室应用空间系统组的技术人员 Adam Milstein 说。“行星边界层也是人类居住的地方，整个行星边界层中气溶胶的湍流运动对影响人类健康的空气质量很重要。”
尽管 PBL 对于研究天气和气候至关重要，但它的重要特征（例如其高度）很难用现有技术解决。在过去四年中，林肯实验室的工作人员一直在研究 PBL，重点关注两个不同的任务：使用机器学习制作大气的 3D 扫描剖面图，以及更清晰地解析大气的垂直结构以更好地预测干旱。
热带TROPICS 和 Aqua 的这些操作算法基于经典的“浅层”神经网络，以最大限度地提高速度和简便性，为仪器在每个位置收集的每个光谱测量创建一维垂直剖面图。虽然这种方法已经改善了对大气（包括 PBL）整体表面的观测，但实验室工作人员确定需要更新的“深度”学习技术，将感兴趣区域的大气视为三维图像，以进一步改善 PBL 细节。
美国宇航局资助的努力 全球干旱快照报告 检查了土壤湿度