11/12/2024 第572章意见 20喜欢
ESA 的 EarthCARE 卫星于 2024 年 5 月发射，其调试阶段已接近尾声，预计将于明年初发布第一批有关云和气溶胶的数据。与此同时，一个国际科学家团队找到了一种创新方法，将人工智能应用于其他卫星数据，以生成云的 3D 剖面图。
对于那些热切等待 EarthCARE 数据以推动气候科学发展的人来说，这尤其是新闻。
云通过将阳光反射回太空（称为反照率效应）和捕获地球表面辐射的热量（温室效应的一部分），在地球气候系统中发挥着至关重要的作用。
例如，高而薄的云层往往会使大气变暖，因为来自太阳的大部分能量可以穿过，而且它们也能有效地捕获地球表面辐射的热量。另一方面，低而厚的云层往往会产生冷却效果，因为它们将大部分入射阳光反射回太空。
虽然科学家们知道云在冷却和变暖我们的大气层方面发挥着极其重要的作用，但在解释它们对地球能量平衡的确切影响时仍然存在不确定性。
此外，鉴于持续的气候危机，迫切需要了解云的变化是否会在未来产生整体变冷或变暖的影响。
全球实时 3D 云数据将有助于减少这些不确定性，改善气候预测并帮助决策。
在过去的几十年里，NASA 的 CloudSat 任务提供了宝贵的垂直云剖面，但由于不频繁的重访而受到限制。另一方面，地球静止任务，例如欧洲第二代气象卫星 (MSG)，每 15 分钟拍摄一次欧洲上空的图像，但只能获得“自上而下”的视图，而不能直接探测云剖面。
通过使用先进的机器学习技术，一个由 ESA β 实验室和 FDL Europe 协调的国际科学家团队利用先进的机器学习技术开发了一种“一次性生成随处可见的 3D 云剖面图”的方法。
在概念验证研究中，他们分析了 2010 年一年的 CloudSat 和 MSG 存档数据。纸，本周在 神经信息处理系统会议在加拿大，展示了人工智能如何从现有的卫星观测中提取新的见解。
ESA 气候与长期行动部门的 Anna Jungbluth 解释说：“我们仔细地将测量的 CloudSat 剖面与 MSG 的图像进行了对齐。这有助于我们了解“俯视图”与相应的云配置文件之间的关系。
– 然后，我们训练机器学习模型来理解这种映射并从 2D 图像中得出云剖面。这使我们能够在空间和时间上扩展 CloudSat 配置文件。”
尖端人工智能技术和地球观测专业知识的融合体现了创新方法如何提高现有和未来卫星任务的价值。
本文正文中的第一个动画展示了如何在具有共同对齐的 CloudSat 轨道的 MSG 图像（红外通道）上使用 AI。该模型从 MSG 图像和 CloudSat 轨道的有限重叠中学习，并且能够扩展空间中的垂直云剖面。
第二个动画（也出现在顶部横幅中）展示了模型训练后如何在没有相应 CloudSat 轨迹的情况下对 MSG 图像进行预测，以及如何跨空间和时间创建 3D 云地图。
EarthCARE 项目团队以及欧空局气候与长期行动部门的迈克尔·艾辛格 (Michael Eisinger) 补充道：“EarthCARE 已经为我们提供了一些非常有希望的初步数据，我们期待着这次新卫星任务带来伟大的科学成果。”我们生成这些 3D 云配置文件的工作为从不同角度利用 EarthCARE 奠定了基础。
“这些新的人工智能方法有望最大限度地发挥 EarthCARE 的科学潜力，并将其数据整合到全面的全球模型中，从而突破气候科学的界限。”
请继续关注更多更新，因为 EarthCARE 数据被用来完善和扩展这一开创性方法。
笔记：这项研究由 FDL 欧洲地球系统实验室 (FDL Europe Earth Systems Lab) 推动，该实验室是 ESA、Trillium Technologies、牛津大学和商业 AI 领域领导者之间的公私合作伙伴关系，并得到 Google Cloud、Scan AI 和 NVIDIA Corporation 的支持。