Quantification of atmospheric carbon dioxide from the Geostationary Operational Environmental Satellite (GOES East)

Resumen Técnico: Cuantificación de CO₂ Atmosférico desde GOES-East

Enunciado del Problema
La caracterización precisa de la variabilidad del dióxido de carbono (CO₂) atmosférico es esencial para comprender el ciclo global del carbono y verificar los flujos de gases de efecto invernadero. Sin embargo, los sensores actuales dedicados basados en el espacio (por ejemplo, OCO-2, OCO-3, GOSAT) proporcionan observaciones demasiado escasas en el espacio y el tiempo para resolver las escalas diurnas y estacionales de los intercambios biosféricos y antropogénicos. Aunque futuras misiones como CO2M de la ESA prometen mejoras, no se espera que se lancen hasta finales de 2027. En consecuencia, existe una necesidad crítica de aprovechar instrumentos existentes no diseñados originalmente para la monitorización de CO₂ para llenar vacíos observacionales, particularmente en lo que respecta a la cobertura geográfica contigua y la alta frecuencia temporal.

Metodología
Los autores desarrollaron una red neuronal guiada por física para estimar la fracción molar de CO₂ en la columna de aire seco (XCO₂) utilizando datos del Imager de Baseline Avanzado (ABI) a bordo del Satélite Ambiental Operativo Geoestacionario (GOES-East). El enfoque integra datos de radiancia multiespectral con contexto meteorológico y superficial a través de un marco de aprendizaje profundo residual de dos etapas:

1. Construcción del Conjunto de Datos:

   • Etiquetas: Los objetivos de entrenamiento se derivaron de sondeos de Nivel 2 Lite "de mejor calidad" de OCO-2 (v11.2r) y OCO-3 (v11r) (2017–2023), filtrados para condiciones de cielo despejado y geometrías de nadir sobre tierra.
   • Entradas: El modelo ingiere una secuencia temporal de 100 minutos (diez escaneos de 10 minutos) de las 16 bandas espectrales de GOES-East ABI. Esto se complementa con:
     • Datos de reanálisis ECMWF ERA5 (estados meteorológicos horarios, incluyendo dinámica de la capa límite y perfiles verticales).
     • Reflectancia superficial de MODIS (composiciones de 8 días) y el Índice de Vegetación de Diferencia Normalizada (NDVI).
     • Metadatos geométricos (Ángulo Cenital Solar, Ángulo de Visión del Satélite) utilizados para calcular el Factor de Masa de Aire (AMF).
   • División de Datos: El conjunto de datos de 2024 se mantuvo completamente apartado para la evaluación frente a observaciones no vistas de OCO-2/OCO-3.

2. Arquitectura del Modelo (Marco Residual de Dos Etapas):

   • Etapa 1 (MLP de Línea Base): Un Perceptrón Multicapa entrenado con covariables espacio-temporales predecibles (latitud, longitud, día del año, ángulo cenital solar) para establecer un prior global de XCO₂. Esta etapa captura tendencias seculares, gradientes latitudinales y ciclos estacionales.
   • Etapa 2 (Red Residual): Una red residual profunda entrenada para predecir la desviación entre los sondeos de OCO observados y la línea base de la Etapa 1. Crucialmente, esta etapa está cegada a las coordenadas geoespaciales estáticas y al año para prevenir la memorización geoespacial. Procesa entradas dinámicas a través de tres ramas paralelas:
     • Rama Temporal de GOES-East: Procesa la serie temporal de 16 bandas utilizando una CNN 1D y un mecanismo de autoatención de 8 cabezas para aislar las señales de XCO₂ de factores de confusión transitorios (por ejemplo, aerosoles, cambios en la reflectancia superficial).
     • Rama de Mitigación de Factores de Confusión: Integra meteorología ERA5 y datos superficiales de MODIS. Para evitar que el modelo se convierta en un "emulador basado en el clima", se inyecta ruido gaussiano (perturbación del 15%) en las características de ERA5 durante el entrenamiento, forzando la dependencia de la señal espectral.
     • Rama Física AMF: Calcula e inyecta explícitamente componentes del Factor de Masa de Aire para normalizar las distorsiones geométricas inherentes a los ángulos de visión geoestacionarios.

3. Estrategia de Entrenamiento:

   • El modelo se optimizó utilizando la Pérdida de Huber para manejar valores atípicos.
   • Los datos de OCO-3 (no sincronizados con el sol) se ponderaron el doble (2x) en relación con OCO-2 para asegurar que el modelo se generalice a través de todo el ciclo diurno.
   • Se emplearon técnicas de Aprendizaje Automático Automatizado (AutoML), utilizando Modelos de Lenguaje Grande y Búsqueda de Árbol Monte Carlo, para afinar los hiperparámetros y las decisiones arquitectónicas dentro de estrictas restricciones físicas.

Resultados Clave

• Rendimiento: Al evaluar frente a las observaciones de 2024 de OCO-2 y OCO-3 mantenidas aparte, el modelo completo de GOES logró un Error Cuadrático Medio (RMSE) de 1.42 ppm y un R² de 0.60. Esto representa una mejora significativa sobre el modelo de línea base de la Etapa 1 solo (RMSE 1.86 ppm, R² 0.31), confirmando que el modelo aprende señales físicas en lugar de simplemente interpolar patrones históricos.
• Estudios de Ablación: La eliminación de la serie temporal de GOES-East causó la mayor degradación en el rendimiento, confirmando que es la fuente principal de información. Curiosamente, eliminar las bandas específicas sensibles al CO₂ (Banda 5 y 16) tuvo solo un impacto marginal, lo que sugiere redundancia en los canales espectrales de banda ancha y la capacidad del modelo para sintetizar señales complementarias de otras bandas y datos auxiliares.
• Estudios de Caso:
  • Urbano: El modelo visualizó con éxito las mejoras de XCO₂ sobre Los Ángeles y Chicago con una resolución temporal de 10 minutos, capturando estructuras de plumas consistentes con las observaciones coincidentes del Modo de Área de Muestra (SAM) de OCO-2 y OCO-3, así como datos de NO₂ de TROPOMI.
  • Agrícola: Sobre el Cinturón de Maíz de EE. UU., el modelo capturó una disminución diurna regional de 2 ppm durante la temporada de crecimiento pico (julio), un patrón de variabilidad pasado por alto por los instrumentos sincronizados con el sol que solo sobrevuelan una vez al día.
• Gradientes Latitudinales: El modelo reprodujo correctamente gradientes latitudinales realistas y variabilidad interanual para 2024, distintos de los años de entrenamiento (2017–2023).

Significado y Afirmaciones
El artículo afirma que, aunque la precisión del XCO₂ derivado de GOES-East no puede rivalizar con la de los instrumentos hiperespectrales dedicados (por ejemplo, la precisión de ~0.85 ppm de OCO-2), la combinación sin precedentes de cobertura geográfica contigua, frecuencia temporal de 10 minutos y registros de varios años ofrece una capacidad única para observar aspectos de la variabilidad del CO₂ atmosférico actualmente invisibles desde el espacio.

Los autores enfatizan que este enfoque es un aumento, no una sustitución, para las misiones dedicadas. La alta densidad espacial y temporal de los datos geoestacionarios permite la observación de ciclos diurnos y dinámicas de transporte rápido que son invisibles para las constelaciones actuales en órbita polar. Además, el estudio demuestra que los instrumentos existentes, cuando se acoplan con aprendizaje profundo moderno y datos auxiliares, contienen información sustancial recuperable sobre el CO₂ atmosférico. Los autores también señalan que el modelo hereda los sesgos presentes en los datos de entrenamiento de OCO-2/OCO-3 (por ejemplo, artefactos de la red fluvial), lo que sugiere que las observaciones densas de GOES podrían eventualmente ayudar a elucidar y corregir estos sesgos en los propios conjuntos de datos de referencia.