Koneoppimiseen perustuva korjausmalli parantaa satelliittien tuottamia arvioita ilmakehän pienhiukkasista
Ilmakehän pienhiukkaset vaikuttavat ilmastoon ja ilmanlaatuun. Uusilla korjausmalleilla pienhiukkasista saadaan tarkempia arvioita kuin perinteisillä satelliittialgoritmeilla tai koneoppimismalleilla. Kuva: Adobe Stock.Ilmakehän pienhiukkaset vaikuttavat merkittävästi sekä ilmastoon että ilmanlaatuun. Perinteiset satelliittialgoritmit tuottavat tietoa ilmakehän pienhiukkasista, mutta niiden tuottaman tiedon tarkkuus vaihtelee. Ilmatieteen laitoksen ja Itä-Suomen yliopiston tutkijat kehittivät koneoppimiseen perustuvia korjausmalleja, joiden avulla nykyisten algoritmien tuottamaa pienhiukkastietoa voidaan korjata tarkemmaksi ja parantaa sen paikkaresoluutiota.
Perinteiset koneoppimismallit ennustavat suoraan ilmakehän ominaisuuksia kuvaavia suureita, esimerkiksi ilmakehän pienhiukkasten määrää pohjautuen satelliitin tekemiin mittauksiin sekä mittausgeometriaan. Kehitetyt mallit yhdistävät perinteiset satelliittialgoritmit sekä koneoppimisen. Uudessa lähestymistavassa koneoppimismalli ei ennustakaan suoraan mielenkiintosuureita vaan perinteisen satelliittialgoritmin tuottaman tiedon virhettä. Arviota virheestä käytetään edelleen perinteisen algoritmin arvion korjaamiseen.
Tutkimuksessa osoitettiin, että uusilla korjausmalleilla saadaan tarkempia arvioita pienhiukkasista kuin perinteisillä satelliittialgoritmeilla tai koneoppimismalleilla.
Tarkemman tiedon avulla voidaan arvioida ilmalaatua jopa katutasolla
Tutkijat kehittivät korjausalgoritmeja sekä eurooppalaisille Sentinel-3-satelliiteille sekä NASAn Terra- ja Aqua-satelliiteille.
Tarkkuuden parantamisen lisäksi tutkijat kehittivät korjausmenetelmän myös satelliittipohjaisen pienhiukkasarvioiden paikkaresoluution parantamiseen. Mallin avulla NASAn tuottaman pienhiukkastietoaineiston kolmen kilometrin resoluutiota voitiin parantaa jopa 250 metriin parantaen samalla myös sen tarkkuutta. Korkean paikkaresoluution avulla voidaan muun muassa arvioida aikaisempaa tarkemmin pienhiukkasista aiheutuvaa ilmanlaatua jopa katutasolla aikaisemman kaupunkitason sijaan.
Jatkotyössä kehitetään vastaavia korjausmenetelmiä satelliittipohjaisia ilmanlaatumittauksia varten.
Tutkimukset, joissa uudet laskentamenetelmät kehitettiin, toteutettiin yhteistyössä Ilmatieteen laitoksen Itä-Suomen ilmatieteellisen tutkimuskeskuksen ja Itä-Suomen yliopiston sovelletun fysiikan laitoksen kanssa. Kehitystyötä rahoitti Euroopan avaruusjärjestö ESA.
Lisätietoja:
Tutkija Antti Lipponen, Ilmatieteen laitos, puh. 050 304 6374, antti.lipponen@fmi.fi
Professori Ville Kolehmainen, Itä-Suomen yliopisto, puh. 040 355 2054, ville.kolehmainen@uef.fi
Tieteelliset artikkelit ovat saatavilla Geophysical Research Letters ja Atmospheric Measurement Techniques -lehdissä.
Viitteet:
Taskinen, H., Väisänen, A., Hatakka, L., Virtanen, T. H., Lähivaara, T., Arola, A., Kolehmainen, V., and Lipponen, A.: High-Resolution Post-Process Corrected Satellite AOD, Geophysical Research Letters, 49, e2022GL099733, https://doi.org/10.1029/2022GL099733, 2022.
Lipponen, A., Reinvall, J., Väisänen, A., Taskinen, H., Lähivaara, T., Sogacheva, L., Kolmonen, P., Lehtinen K., Arola, A., and Kolehmainen, V.: Deep-learning-based post-process correction of the aerosol parameters in the high-resolution Sentinel-3 Level-2 Synergy product, Atmospheric Measurement Techniques, 15, 895-914, https://doi.org/10.5194/amt-15-895-2022, 2022.
Lipponen, A., Kolehmainen, V., Kolmonen, P., Kukkurainen, A., Mielonen, T., Sabater, N., Sogacheva, L., Virtanen, T. H., and Arola, A.: Model-enforced post-process correction of satellite aerosol retrievals, Atmospheric Measurement Techniques, 14, 2981-2992, https://doi.org/10.5194/amt-14-2981-2021, 2021.
