الکتروهایو » هوش مصنوعی » تصویربرداری از PBL با یادگیری عمیق

دیدگاهتان را بنویسید لغو پاسخ

تصویربرداری از PBL با یادگیری عمیق

زمان تخمینی مطالعه: 6 دقیقه

محققان آزمایشگاه لینکلن از هوش مصنوعی برای بدست آوردن تصویر بهتری از نزدیکترین لایه جوی به سطح زمین استفاده می‌کنند. تکنیک‌های آنها که نوعی تصویربرداری از PBL با یادگیری عمیق است می‌تواند قدرت و دقت پیش‌بینی آب و هوا و خشکسالی را بهبود بخشد.

اگرچه تروپوسفر اغلب به عنوان نزدیکترین لایه اتمسفر به سطح زمین در نظر گرفته می‌شود، لایه مرزی سیاره‌ای (PBL) که پایین‌ترین لایه تروپوسفر است در واقع بخشی است که بیشترین تأثیر را بر آب و هوای نزدیک به سطح زمین دارد. در بررسی دهه 2018 علوم سیاره‌ای، PBL به عنوان یک موضوع علمی مهم مطرح شد که پتانسیل افزایش پیش‌بینی طوفان و بهبود پیش‌بینی‌های آب و هوایی را دارد. آدام میلشتاین، یکی از کارکنان فنی در گروه سیستم‌های فضایی کاربردی آزمایشگاه لینکلن، می‌گوید: «PBL جایی است که سطح با جو تعامل می‌کند، از جمله تبادل رطوبت و گرما که به آب‌وهوای بد و تغییر آب و هوا کمک می‌کند». PBL همچنین جایی است که انسان‌ها زندگی می‌کنند و حرکت آشفته ذرات معلق در هوا در سراسر PBL برای کیفیت هوا که بر سلامت انسان تأثیر می‌گذارد مهم است.

PBL اگرچه برای مطالعه آب و هوا و شرایط اقلیمی حیاتی است، ولی ویژگی‌های مهم PBL، مانند ارتفاع آن، با فناوری فعلی به سختی قابل تشخیص است. در چهار سال گذشته، کارکنان آزمایشگاه لینکلن در حال مطالعه PBL با تمرکز بر دو وظیفه مختلف بوده‌اند: اول استفاده از یادگیری ماشینی برای ساختن پروفایل‌های اسکن سه‌بعدی جو، و دوم حل ساختار عمودی جو با وضوح بیشتر به منظور پیش‌بینی بهتر خشکسالی‌ها.

شماتیک اصلی PBL در ساختار اصلی تصویربرداری از PBL.

این تلاش تحقیقاتی که متمرکز بر تصویربرداری از PBL مبتنی بر بیش از یک دهه کار مرتبط بر روی الگوریتم‌های شبکه عصبی عملیاتی سریع است که توسط آزمایشگاه لینکلن برای مأموریت‌های ناسا توسعه یافته است. این ماموریت‌ها شامل مشاهدات ماهواره‌های TROPICS و همچنین Aqua است، که ماهواره‌هایی هستند که داده‌های مربوط به چرخه آب و هوای زمین را جمع آوری می‌کند و متغیرهایی مانند دمای اقیانوس، بارش و بخار آب را مشاهده می‌کند. این الگوریتم‌ها دما و رطوبت را از داده‌های ماهواره‌ای بازیابی می‌کنند و نشان داده شده است که دقت و پوشش جهانی قابل استفاده مشاهدات را نسبت به رویکردهای قبلی به طور قابل‌توجهی بهبود می‌بخشند. برای TROPICS، الگوریتم‌ها به بازیابی داده‌هایی کمک می‌کنند که برای توصیف ساختارهای سریع در حال تکامل یک طوفان در زمان واقعی استفاده می‌شوند، و برای Aqua، به افزایش مدل‌های پیش‌بینی، نظارت بر خشکسالی و پیش‌بینی آتش‌سوزی کمک کرده است.

این الگوریتم‌های عملیاتی برای TROPICS و Aqua بر اساس شبکه‌های عصبی کلاسیک “کم عمق” برای به حداکثر رساندن سرعت و سادگی، ایجاد یک نمایه عمودی یک بعدی برای هر اندازه‌گیری طیفی جمع آوری شده توسط ابزار در هر مکان است. در حالی که این رویکرد مشاهدات اتمسفر تا سطح را به طور کلی از جمله PBL را بهبود بخشیده است، کارکنان آزمایشگاه تشخیص دادند که تکنیک‌های جدیدتر “یادگیری عمیق” که اتمسفر را بر روی یک منطقه مورد علاقه به عنوان یک تصویر سه بعدی در نظر می‌گیرد برای بهبود جزئیات تصویربرداری از PBL مورد نیاز است.

میلشتاین می‌گوید: «ما فرض کردیم که تکنیک‌های یادگیری عمیق و هوش مصنوعی (AI) می‌توانند با ترکیب یک نمایش آماری بهتر از تصاویر سه بعدی دما و رطوبت جو در راه‌حل‌ها و رویکردهای فعلی را بهبود بخشند. اما با گذشت زمان و ترکیب داده‌های واقعی و شبیه‌سازی شده چگونگی ایجاد بهترین مجموعه داده برای آموزش این تکنیک‌ها را یاد گرفتیم». این تیم با جوزف سانتانلو از مرکز پرواز فضایی گودارد ناسا و ویلیام بلکول، همچنین از گروه سیستم‌های فضایی کاربردی، در تلاش اخیر ناسا همکاری کردند که نشان داد این الگوریتم‌های بازیابی می‌توانند جزئیات PBL را بهبود بخشند، از جمله تعیین دقیق‌تر ارتفاع PBL.

در حالی که دانش بهبود یافته از PBL به طور گسترده برای افزایش درک آب و هوا و شرایط جوی مفید است، یک کاربرد کلیدی از این روش پیش‌بینی خشکسالی است. بر اساس گزارشی از خشکسالی جهانی که سال گذشته منتشر شد، خشکسالی یک موضوع سیاره‌ای مهم است که جامعه جهانی باید به آن رسیدگی کند. کمبود رطوبت در نزدیکی سطح، به ویژه در سطح PBL، شاخص اصلی خشکسالی است. در حالی که مطالعات قبلی با استفاده از تکنیک‌های سنجش از دور، رطوبت خاک را برای تعیین خطر خشکسالی بررسی کرده‌اند، مطالعه جو می‌تواند به پیش‌بینی زمان وقوع خشکسالی کمک شایانی کند. در تحقیق که توسط موسسه Lincoln Laboratory’s Climate Change Initiative پشتیبانی می‌شود، میلشتاین به همراه مایکل پایپر، کارمند آزمایشگاه، با دانشمندان آزمایشگاه پیشرانش جت ناسا (JPL) برای استفاده از تکنیک‌های شبکه عصبی برای بهبود پیش‌بینی خشکسالی در قاره آمریکا کار می‌کنند. در حالی که این کار مبتنی بر کارهای عملیاتی موجود است که JPL با ترکیب (حدودی) رویکرد شبکه عصبی عملیاتی “کم عمق” آزمایشگاه برای Aqua انجام داده است، تیم بر این باور است که این کار و کار تحقیقاتی یادگیری عمیق متمرکز بر PBL می‌توانند برای بهبود دقت پیش‌بینی خشکسالی بیشتر ترکیب شوند.

میلشتاین می‌گوید: «آزمایشگاه لینکلن بیش از یک دهه است که با ناسا روی الگوریتم‌های شبکه‌های عصبی برای تخمین دما و رطوبت اتمسفر از ابزارهای فروسرخ و مایکروویو موجود در فضا، از جمله دستگاه‌های موجود در فضاپیمای آکوا، کار می‌کند. در طی آن زمان، ما با کار کردن با جامعه علمی، چیزهای زیادی در مورد این مشکل یاد گرفتیم. تجربه طولانی ما در کار بر روی این نوع سنجش از دور با دانشمندان ناسا، و همچنین تجربه ما در استفاده از تکنیک‌های شبکه‌های عصبی، چشم‌انداز منحصربه‌فردی را پیش روی ما قرار داده است.او می‌گوید گام بعدی برای این پروژه مقایسه نتایج یادگیری عمیق با مجموعه داده‌های سازمان ملی اقیانوس و جو، ناسا و وزارت انرژی است که مستقیماً در PBL با استفاده از radiosondes جمع‌آوری شده است، نوعی ابزار که در داخل آب شناور شده و یا در هوا پرواز می‌کند. میلشتاین می‌گوید: «این اندازه‌گیری‌های مستقیم را می‌توان نوعی «حقیقت زمینه‌ای» برای کمی‌سازی دقت تکنیک‌هایی که توسعه داده‌ایم در نظر گرفت». به گفته او، این رویکرد مبتنی بر شبکه عصبی بهبودیافته برای تصویربرداری از PBL نویدبخش پیش‌بینی بهتر خشکسالی است که می‌تواند از قابلیت‌های شاخص‌های موجود فراتر رود و ابزاری باشد که دانشمندان می‌توانند برای دهه‌های آینده به آن تکیه کنند.

الکتروهایو در خدمت مخاطبان عزیز می‌باشد. ما در تیم الکتروهایو در تلاش برای تهیه مقالات و مطالب به روز هستیم. لطفا برای مطالب و مقالات بیشتر با ما همراه باشید.

برچسب‌ها: JPL, MIT, radiosondes, یادگیری عمیق

مطالب مرتبط:

داده‌های اسمی Nominal Data چیست؟

داده‌های اسمی(Nominal Data) یکی از اساسی‌ترین انواع داده‌ها در تجزیه و تحلیل داده‌ها است. شناسایی و تفسیر آن در بسیاری از زمینه‌ها از جمله آمار، علوم کامپیوتر، روانشناسی و بازاریابی ضروری است. این مقاله ویژگی‌ها، کاربردها و تفاوت‌های داده‌های اسمی

ادامه مطلب »

حاشیه‌نویسی متن در هوش مصنوعی

حاشیه‌نویسی داده به الگوریتم‌های یادگیری ماشین اجازه می‌دهد تا اطلاعات را درک و تفسیر کنند. حاشیه‌نویسی‌ها برچسب‌هایی هستند که داده‌ها را شناسایی و طبقه‌بندی می‌کنند یا قطعات مختلف اطلاعات را با یکدیگر مرتبط می‌کنند. الگوریتم‌های هوش مصنوعی از آنها به

ادامه مطلب »