尽管对流层通常被认为是大气层中离地表最近的一层，但行星边界层（PBL）——对流层的最低层——实际上是对地表附近天气产生最显著影响的部分。在2018年的行星科学十年计划中，PBL被提升为一个重要的科学问题，有潜力提高暴风雨预测和改善气候预测。
“PBL是地表与大气相互作用的地方，包括湿度和热量的交换，这有助于产生严重天气和气候变化，”林肯实验室应用空间系统组的技术人员亚当·米尔斯坦说。“PBL也是人类居住的地方，气溶胶在PBL中的湍流运动对影响人类健康的空气质量很重要。”
尽管对研究天气和气候至关重要，但PBL的重要特征，如其高度，很难用现有技术解决。在过去的四年里，林肯实验室的工作人员一直在研究PBL，重点是使用机器学习制作大气的三维扫描剖面，并更清晰地解析大气的垂直结构，以更好地预测干旱。
这项以PBL为重点的研究工作是基于林肯实验室为NASA任务开发的快速、操作性神经网络算法的十多年相关工作的基础上进行的。这些任务包括时间分辨率降水结构和风暴强度的观测与小卫星星座（TROPICS）任务以及收集有关地球水循环的数据并观测海洋温度、降水和大气中的水汽等变量的卫星Aqua。这些算法从卫星仪器数据中提取温度和湿度，并已被证明在观测的准确性和可用全球覆盖范围方面显著改善了以前的方法。对于TROPICS，这些算法有助于实时表征风暴快速演变的结构的数据检索，对于Aqua，它有助于增加预测模型、干旱监测和火灾预测。
TROPICS和Aqua的这些操作算法基于经典的“浅层”神经网络，以最大限度地提高速度和简单性，为仪器在每个位置收集的每个光谱测量创建一个一维垂直剖面。虽然这种方法总体上改善了对大气的观测，包括PBL，但实验室的工作人员确定，需要采用将感兴趣区域的大气视为三维图像的新的“深度”学习技术，以进一步改善PBL的细节。
“我们假设深度学习和人工智能（AI）技术可以通过将大气的三维温度和湿度图像的更好统计表示纳入解决方案来改进当前方法，”米尔斯坦说。“但是需要一段时间来找出如何创建最佳数据集——一个由真实数据和模拟数据混合而成的数据集；我们需要准备训练这些技术。”
该团队与NASA戈达德航天中心的约瑟夫·桑塔内洛和应用空间系统组的威廉·布莱克韦尔合作，最近进行了一项由NASA资助的工作，显示这些检索算法可以改善PBL的细节，包括比以前的最新技术更准确地确定PBL的高度。
尽管对PBL的改进的了解对于增加对气候和天气的理解是广泛有用的，但其中一个关键应用是干旱预测。根据去年发布的全球干旱快照报告，干旱是一个全球社区需要解决的紧迫问题。地表附近的湿度缺乏，特别是在PBL的水平上，是干旱的主要指标。虽然先前使用遥感技术的研究已经研究了土壤的湿度以确定干旱风险，但研究大气可以帮助预测何时会发生干旱。
在林肯实验室的气候变化倡议的资助下，米尔斯坦与实验室的工作人员迈克尔·皮珀一起与NASA喷气推进实验室（JPL）的科学家合作，利用神经网络技术改进对美国大陆的干旱预测。虽然这项工作是基于JPL已经进行的现有操作工作的基础上进行的，其中部分包括实验室的操作“浅层”神经网络方法用于Aqua，但团队认为这项工作和以PBL为重点的深度学习研究工作可以结合起来进一步提高干旱预测的准确性。
“林肯实验室与NASA合作已经十多年，研究从航天红外和微波仪器中估计大气温度和湿度的神经网络算法，包括Aqua航天器上的仪器，”米尔斯坦说。“在这段时间里，我们通过与科学界合作学到了很多关于这个问题的知识，包括了解仍然存在的科学挑战。我们在与NASA科学家合作进行这种类型的遥感方面的长期经验，以及我们在使用神经网络技术方面的经验，使我们拥有了独特的视角。”
据米尔斯坦介绍，该项目的下一步是将深度学习结果与来自美国国家海洋和大气管理局、NASA和能源部直接在PBL中使用探空仪收集的数据集进行比较。“这些直接测量可以被视为一种‘地面真实性’，用于量化我们开发的技术的准确性，”米尔斯坦说。
米尔斯坦表示，这种改进的神经网络方法有望展示超越现有指标能力的干旱预测，并成为科学家未来几十年可以依赖的工具。
