Recovering atmospheric dynamics from atmospheric composition snapshots using machine learning
Deze studie toont aan dat machine learning-modellen met succes gelijktijdige windsnelheden en grenslaaghoogtes kunnen afleiden uit enkele snapshots van de atmosferische samenstelling, wat bewijst dat dergelijke statische scènes informatie behouden over de onderliggende dynamische toestand die herstelbaar is.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De atmosfeer is een enorme, kolkende vloeistof die voortdurend lucht van de ene plaats naar de andere verplaatst. Deze beweging, aangedreven door winden en de diepte van de onderste laag van de atmosfeer waarin wij leven, fungeert als de grote mixer van onze hemel. Het voert verontreinigende stoffen, waterdamp en sporen gassen aan, en strekt deze uit tot lange filamenten of verdunt ze in de leegte. Decennialang hebben wetenschappers vertrouwd op directe metingen van de wind om deze beweging te begrijpen, maar deze observaties zijn schaars, wat grote gaten laat in ons wereldwijde beeld. Ondertussen zijn satellieten ongelooflijk goed geworden in het in kaart brengen van de chemische samenstelling van de lucht, waarbij ze de concentratie van gassen zoals ozon en stikstofdioxide met hoge precisie volgen. Lange tijd werden deze chemische kaarten louter beschouwd als het resultaat van het werk van de wind—het passieve nazijde van transport. De vraag bleef of de wind zelf verborgen zat in die chemische patronen, wachtend om gelezen te worden.
Een onderzoeker bij het Jet Propulsion Laboratory heeft nu aangetoond dat het antwoord ja is. Door een type kunstmatige intelligentie, bekend als een neuraal netwerk, te trainen, laat de studie zien dat een enkele momentopname van de atmosferische chemie voldoende informatie bevat om de winden en de hoogte van de grenslaag die deze creëerde, te reconstrueren. Het systeem heeft geen opeenvolging van beelden over de tijd nodig, noch heeft het kennis nodig van de temperatuur of de luchtvochtigheid. Het kijkt naar de ruimtelijke ordening van gassen in één moment en concludeert de dynamische staat van de atmosfeer op datzelfde moment. Deze bevinding suggereert dat de chemische vingerafdrukken die de wind achterlaat sterk genoeg zijn om te worden teruggewonnen, waardoor missies voor chemische observaties veranderen in een nieuwe, onafhankelijke bron van windgegevens.
Het onderzoek begon met een gecontroleerde test met behulp van een wereldwijd computermodel van de atmosfeer. Het team voerde het neurale netwerk momentopnames van vier specifieke gassen: methaan, koolmonoxide, ozon en stikstofdioxide. Deze gassen werden gekozen omdat ze zich verschillend gedragen; methaan kan jarenlang in de lucht blijven, waardoor het grootschalige stromingen traceert, terwijl stikstofdioxide binnen uren verdwijnt en dicht bij de bronnen blijft. Het netwerk werd getraind om naar de patronen te kijken die door deze gassen worden gevormd en de bijbehorende windsnelheden aan het oppervlak en hoger in de lucht te voorspellen, evenals de hoogte van de turbulente grenslaag. Wanneer het werd getest op maanden aan data die het nog nooit eerder had gezien, reconstrueerde het netwerk succesvol de windpatronen. Het legde de locaties van straalstromen en stormbanen vast, met een correlatie van 0,71 met de werkelijke windsnelheden in de midden-troposfeer. Deze prestatie was aanzienlijk beter dan simpelweg gokken dat de wind hetzelfde zou blijven als de dag ervoor. Het netwerk bewees ook dat verschillende gassen informatie bevatten over verschillende hoogtes; kortlevende gassen nabij de grond waren het beste voor het voorspellen van de grenslaag, terwijl langer levende gassen hogerop beter waren voor het voorspellen van winden hoger in de lucht.
Om te garanderen dat dit geen artefact van het computermodel was, paste de onderzoekers dezelfde methode toe op echte gegevens van het Tropospheric Emissions: Monitoring of Pollution (TEMPO) instrument, een satellietensensor die Noord-Amerika scant. Ze koppelden deze echte chemische momentopnames aan hoogresolutie weeranalyses van de National Oceanic and Atmospheric Administration. Het neurale netwerk, getraind op deze echte data, was in staat om wind- en grenslaag-anomalieën te herstellen met een correlatie van ongeveer 0,43 tot 0,45 voor oppervlaktewinden en 0,77 voor de hoogte van de grenslaag. Dit succes hield stand zelfs toen de onderzoekers wolkeninformatie en andere potentiële sluiproutes verwijderden, wat bewees dat het signaal afkomstig was van de chemische patronen zelf. De studie bevestigt dat de ruimtelijke organisatie van de chemische samenstelling niet alleen een verslag is van waar de wind is geweest, maar ook een bron van informatie is over wat de wind op dit moment doet.
Deze ontdekking verandert hoe we de data die al door bestaande satellieten wordt verzameld, kunnen bekijken. Missies die zijn ontworpen om de luchtkwaliteit of broeikasgassen te monitoren, zouden tegelijkertijd een nieuwe manier kunnen bieden om de winden te observeren die hen aansturen, waardoor gaten in onze wereldwijde weermonitoring worden opgevuld zonder dat er nieuwe instrumenten nodig zijn. De studie benadrukt dat deze informatie te herstellen is uit een enkele scène, wat betekent dat zelfs satellieten in polaire banen, die slechts één keer per dag over een locatie passeren, potentieel kunnen bijdragen aan windanalyse. Hoewel de methode geen vervanging is voor directe windmetingen, biedt het een krachtig diagnostisch hulpmiddel, wat suggereert dat de chemie van de atmosfeer en de beweging ervan onlosmakelijk met elkaar verbonden zijn op een manier die kan worden ontcijferd door moderne machine learning. Het werk opent een pad om de uitgebreide archieven van chemische data te gebruiken om de onzichtbare stromingen die ons weer en klimaat vormen beter te begrijpen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.