Modelli di trasferimento radiativo veloce e sistemi di assimilazione dei dati

Confronto delle velocità di calcolo

La tabella seguente riassume i tempi di calcolo richiesti dai codici di trasferimento radiativo che calcolano le radianze risolte spettralmente (KLIMA, σ-IASI/F2N e RTTOV).

I codici RRTM ed eCrad calcolano solo i flussi integrati per banda e quelli totali e sono solitamente integrati in modelli globali che li richiamano miliardi di volte nel corso di una singola esecuzione del modello. Pertanto, sebbene siano meno precisi, questi codici sono di gran lunga più veloci sia di RTTOV che di σ-IASI/F2N.

Applicazioni e know-how

Utilizzando i modelli di trasferimento radiativo caratterizzati descritti in precedenza, siamo in grado di costruire la catena end-to-end (E2E) (dall’acquisizione dei dati ai prodotti geofisici di Livello 2) per la simulazione di missioni di telerilevamento passivo atmosferico. La simulazione E2E permette di caratterizzare la qualità del prodotto in funzione delle caratteristiche di misura, risultando quindi estremamente utile per definire i requisiti nelle fasi iniziali di una nuova missione.

Al contrario, date l’accuratezza, la precisione e le specifiche geometriche di una missione futura o già in corso, possiamo valutare le informazioni contenute nelle misurazioni e la possibilità di ricavare nuovi prodotti geofisici.

Metodi di Intelligenza Artificiale

A causa del grande volume di dati attesi dai sensori di prossima generazione, sono stati proposti nuovi approcci di machine learning (ML). Sebbene questi approcci debbano basarsi su modelli fisici durante la fase di addestramento, gli algoritmi stessi, tipicamente basati su architetture come le reti neurali, apprendono una relazione funzionale direttamente dai risultati generati in precedenza per problemi identici o simili. In linea di principio, i metodi di ML possono sostituire qualsiasi procedura basata sulla fisica completa. Tuttavia, nel campo del telerilevamento, la ricerca si è concentrata principalmente su tre aree di applicazione:

• Classificazione delle scene, come la distinzione tra condizioni di cielo sereno e nuvoloso, o la stima di indici relativi all’omogeneità della scena e alla nuvolosità.
• Il modello diretto, ovvero la previsione di uno spettro a partire da un dato stato atmosferico noto (trasferimento radiativo, RT).
• Il problema inverso, ovvero il recupero dello stato atmosferico dalle misurazioni (retrieval).

La classificazione delle scene è importante perché la presenza di nubi richiede l’uso di modelli di trasferimento radiativo che tengano conto della diffusione multipla. Gli strumenti moderni sono spesso integrati con sensori ausiliari per l’analisi del campo di vista, e alcuni strumenti sono progettati specificamente per il rilevamento e la caratterizzazione delle nubi. Una sfida importante per gli approcci di ML applicati al problema del RT è la maledizione della dimensionalità. Uno stato atmosferico può essere descritto da centinaia di parametri, mentre la radianza spettrale corrispondente può consistere di migliaia di canali. Nei modelli fisici, le correlazioni tra i canali spettrali sono intrinsecamente rappresentate. Al contrario, i modelli di ML devono apprendere queste correlazioni dal set di dati di addestramento, un compito impegnativo. Per il problema dell’inversione , la difficoltà principale risiede nella natura mal posta del problema stesso. I metodi di inversione di tipo fisico affrontano questo problema attraverso tecniche di regolarizzazione, come la riduzione della dimensionalità, utilizzando l’Analisi delle Componenti Principali (PCA), o vincolando le soluzioni verso una stima a priori climatologica. Gli approcci ML devono incorporare strategie simili, sia apprendendo una regolarizzazione appropriata dal set di dati di addestramento, sia proiettando sia gli stati atmosferici che le radianze in spazi a dimensionalità inferiore (spazi latenti) e apprendendo le relazioni tra queste rappresentazioni (ad esempio, approcci di gemelli latenti). Sebbene i metodi di ML offrano un’inferenza molto veloce una volta addestrati, la loro accuratezza di nell’inversione è ancora generalmente inferiore a quella raggiunta dagli approcci di tipo fisico. La ricerca in corso mira a migliorarne la precisione, rendendoli potenzialmente una valida alternativa a metodi più onerosi dal punto di vista computazionale.