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

Resumo Técnico: Quantificação de CO₂ Atmosférico a partir do GOES-East

Declaração do Problema
A caracterização precisa da variabilidade do dióxido de carbono (CO₂) atmosférico é essencial para compreender o ciclo global do carbono e verificar os fluxos de gases de efeito estufa. No entanto, os sensores espaciais dedicados atuais (por exemplo, OCO-2, OCO-3, GOSAT) fornecem observações que são muito esparsas no espaço e no tempo para resolver as escalas diárias e sazonais das trocas biosféricas e antropogênicas. Embora missões futuras, como o CO2M da ESA, prometam melhorias, não se espera que sejam lançadas até o final de 2027. Consequentemente, há uma necessidade crítica de aproveitar instrumentos existentes não originalmente projetados para monitoramento de CO₂ para preencher lacunas observacionais, particularmente no que diz respeito à cobertura geográfica contínua e alta frequência temporal.

Metodologia
Os autores desenvolveram uma rede neural guiada por física para estimar a fração molar de CO₂ na coluna de ar seco (XCO₂) usando dados do Imageador de Linha de Base Avançada (ABI) a bordo do Satélite Ambiental Operacional Geoestacionário (GOES-East). A abordagem integra dados de radiancia multiespectral com contexto meteorológico e de superfície através de uma estrutura de aprendizado profundo residual de dois estágios:

1. Construção do Conjunto de Dados:

   • Rótulos: Os alvos de treinamento foram derivados de sondagens de Nível 2 Lite "de melhor qualidade" do OCO-2 (v11.2r) e OCO-3 (v11r) (2017–2023), filtradas para condições de céu limpo e geometrias de nadir sobre terra.
   • Entradas: O modelo ingere uma sequência temporal de 100 minutos (dez varreduras de 10 minutos) de todas as 16 bandas espectrais do ABI do GOES-East. Isso é aumentado com:
     • Dados de reanálise ECMWF ERA5 (estados meteorológicos horários, incluindo dinâmica da camada limite e perfis verticais).
     • Reflectância de superfície MODIS (compostos de 8 dias) e Índice de Vegetação por Diferença Normalizada (NDVI).
     • Metadados geométricos (Ângulo Zenital Solar, Ângulo de Visão do Satélite) usados para calcular o Fator de Massa de Ar (AMF).
   • Divisão dos Dados: O conjunto de dados de 2024 foi retido integralmente para avaliação contra observações não vistas do OCO-2/OCO-3.

2. Arquitetura do Modelo (Estrutura Residual de Dois Estágios):

   • Estágio 1 (MLP de Linha de Base): Um Perceptron Multicamadas treinado em covariáveis espaço-temporais previsíveis (latitude, longitude, dia do ano, ângulo zenital solar) para estabelecer um prior global de XCO₂. Este estágio captura tendências seculares, gradientes latitudinais e ciclos sazonais.
   • Estágio 2 (Rede Residual): Uma rede residual profunda treinada para prever o desvio entre as sondagens do OCO observadas e a linha de base do Estágio 1. Crucialmente, este estágio é cego para coordenadas geoespaciais estáticas e o ano para evitar memorização geoespacial. Ele processa entradas dinâmicas através de três ramificações paralelas:
     • Ramificação Temporal do GOES-East: Processa a série temporal de 16 bandas usando uma CNN 1D e um mecanismo de autoatenção de 8 cabeças para isolar sinais de XCO₂ de confundidores transitórios (por exemplo, aerossóis, mudanças na reflectância da superfície).
     • Ramificação de Mitigação de Confundidores: Integra meteorologia ERA5 e dados de superfície MODIS. Para evitar que o modelo se torne um "emulador baseado em clima", ruído gaussiano (perturbação de 15%) é injetado nas características ERA5 durante o treinamento, forçando a dependência do sinal espectral.
     • Ramificação Física AMF: Calcula e injeta explicitamente componentes do Fator de Massa de Ar para normalizar distorções geométricas inerentes aos ângulos de visão geoestacionários.

3. Estratégia de Treinamento:

   • O modelo foi otimizado usando Perda de Huber para lidar com valores atípicos.
   • Os dados do OCO-3 (não sincronizados com o sol) foram ponderados em 2x em relação ao OCO-2 para garantir que o modelo generalize em todo o ciclo diurno.
   • Técnicas de Aprendizado de Máquina Automatizado (AutoML), utilizando Modelos de Linguagem de Grande Escala e Busca em Árvore de Monte Carlo, foram empregadas para ajustar hiperparâmetros e escolhas arquitetônicas dentro de restrições físicas estritas.

Principais Resultados

• Desempenho: Quando avaliado contra observações retidas de 2024 do OCO-2 e OCO-3, o modelo completo do GOES alcançou um Erro Quadrático Médio (RMSE) de 1,42 ppm e um R² de 0,60. Isso representa uma melhoria significativa em relação ao modelo de linha de base do Estágio 1 isolado (RMSE 1,86 ppm, R² 0,31), confirmando que o modelo aprende sinais físicos em vez de meramente interpolar padrões históricos.
• Estudos de Ablação: A remoção da série temporal do GOES-East causou a maior degradação no desempenho, confirmando-a como a principal fonte de informação. Curiosamente, a remoção das bandas específicas sensíveis ao CO₂ (Banda 5 e 16) teve apenas um impacto marginal, sugerindo redundância nos canais espectrais de banda larga e a capacidade do modelo de sintetizar sinais complementares de outras bandas e dados auxiliares.
• Estudos de Caso:
  • Urbano: O modelo visualizou com sucesso aumentos de XCO₂ sobre Los Angeles e Chicago com resolução temporal de 10 minutos, capturando estruturas de plumas consistentes com observações coincidentes do Modo de Área de Instantâneo (SAM) do OCO-2 e OCO-3, bem como dados de NO₂ do TROPOMI.
  • Agrícola: Sobre o Cinturão de Milho dos EUA, o modelo capturou uma redução diária regional de 2 ppm durante o pico da estação de crescimento (julho), um padrão de variabilidade perdido por instrumentos sincronizados com o sol que só passam uma vez por dia.
• Gradientes Latitudinais: O modelo reproduziu corretamente gradientes latitudinais realistas e variabilidade interanual para 2024, distintos dos anos de treinamento (2017–2023).

Significado e Alegações
O artigo afirma que, embora a precisão do XCO₂ derivado do GOES-East não possa rivalizar com a de instrumentos hiperespectrais dedicados (por exemplo, a precisão de ~0,85 ppm do OCO-2), a combinação sem precedentes de cobertura geográfica contínua, frequência temporal de 10 minutos e registros de vários anos oferece uma capacidade única de observar aspectos da variabilidade do CO₂ atmosférico atualmente invisíveis do espaço.

Os autores enfatizam que esta abordagem é um aumento, não uma substituição, para missões dedicadas. A alta densidade espacial e temporal dos dados geoestacionários permite a observação de ciclos diurnos e dinâmicas de transporte rápidas que são invisíveis para as constelações atuais em órbita polar. Além disso, o estudo demonstra que instrumentos existentes, quando acoplados a aprendizado profundo moderno e dados auxiliares, contêm informações substanciais recuperáveis sobre o CO₂ atmosférico. Os autores também observam que o modelo herda vieses presentes nos dados de treinamento do OCO-2/OCO-3 (por exemplo, artefatos de rede fluvial), sugerindo que observações densas do GOES poderiam eventualmente ajudar a elucidar e corrigir esses vieses nos próprios conjuntos de dados de referência.