Mit Deep Learning zur Abbildung der planetaren Grenzschicht der Erde

Mit Deep Learning zur Abbildung der planetaren Grenzschicht der Erde

Obwohl die Troposphäre oft als die dem Erdboden nächstgelegene Schicht der Atmosphäre betrachtet wird, ist die planetarische Grenzschicht (PBL) – die unterste Schicht der Troposphäre – tatsächlich der Teil, der das Wetter nahe der Erdoberfläche am stärksten beeinflusst. In der planetarischen Wissenschaftsdiskade-Umfrage von 2018 wurde die PBL als wichtige wissenschaftliche Frage aufgeworfen, die das Potenzial hat, die Sturmvorhersage zu verbessern und Klimaprojektionen zu optimieren.

Die PBL ist der Ort, an dem die Oberfläche mit der Atmosphäre in Austausch tritt, einschließlich des Austauschs von Feuchtigkeit und Wärme, die zu extremen Wetterbedingungen und einem sich ändernden Klima führen, sagt Adam Milstein, technisches Mitarbeitermitglied der Applied Space Systems Group des Lincoln Laboratory. Die Forschungsbemühungen bezüglich der PBL bauen auf mehr als einem Jahrzehnt verwandter Arbeit auf schnellen betrieblichen neuronalen Netzalgorithmen auf, die vom Lincoln Laboratory für NASA-Missionen entwickelt wurden.

Die verbesserte Kenntnis der PBL ist allgemein nützlich, um das Verständnis von Klima und Wetter zu erhöhen. Ein wichtiger Anwendungsbereich ist die Vorhersage von Dürren. Die Arbeit zur Verbesserung der Dürreprognose über den kontinentalen Vereinigten Staaten zeigt vielversprechende Ergebnisse und könnte ein Instrument sein, auf das Wissenschaftler jahrzehntelang zurückgreifen können. Es wird erwartet, dass der verbesserte neuronale Netzansatz die Fähigkeiten bestehender Indikatoren zur Vorhersage von Dürren übertreffen wird.