Barn som ligger på rygg i ett gräsbevuxet fält kan söka efter bilder av molnen - kanske en fluffig kanin här och en eldig drake där borta. Ofta, Atmosfärsforskare gör tvärtom - de söker efter databilder för molnen som en del av sin forskning för att förstå jordens system.

Att manuellt märka databilder pixel för pixel är tidskrävande, så forskare förlitar sig på automatisk bearbetningsteknik, som molndetekteringsalgoritmer. Men algoritmernas utdata är inte så exakt som forskarna vill att det ska vara.

Nyligen, forskare vid Department of Energys Pacific Northwest National Laboratory gick ihop för att ta reda på om djupinlärning – en distinkt delmängd av maskininlärning – kan göra ett bättre jobb med att identifiera moln i lidardata än de nuvarande fysikbaserade algoritmerna. Svaret:Ett klart "ja". Den nya modellen ligger mycket närmare de svar som forskarna kommer fram till, men på bara en bråkdel av tiden.

Lidar är ett fjärravkänningsinstrument som avger en pulsad laser och samlar in retursignalen som sprids tillbaka av molndroppar eller aerosoler. Denna retursignal ger information om höjden och den vertikala strukturen av atmosfäriska egenskaper, som moln eller röklager. Sådana data från markbaserade lidarer är en viktig del av globala prognoser.

Jordforskaren Donna Flynn märkte att, i vissa fall, vad algoritmerna upptäckte som moln i lidarbilderna stämde inte väl överens med vad hennes expertöga såg. Algoritmerna tenderar att överskatta molngränserna.

"Den nuvarande algoritmen identifierar molnen med breda penseldrag, säger Flynn, en medrektor för projektet. "Vi måste mer exakt bestämma molnets verkliga topp och bas och särskilja flera molnlager."

Uppgradering påbörjad

Tills nyligen, datorkraft begränsade artificiella neurala nätverk, en typ av djupinlärningsmodell, till ett litet antal beräkningsskikt. Nu, med ökad datorkraft tillgänglig genom superdatorkluster, forskare kan använda fler beräkningar – var och en av den sista – i en serie lager. Ju fler lager ett artificiellt neuralt nätverk har, desto kraftfullare är nätverket för djupinlärning.

Att räkna ut vad dessa beräkningar är är en del av modellträningen. Att börja, forskarna behöver korrekt märkta lidardatabilder, eller "ground truth"-data, för utbildning och testning av modellen. Så, Flynn spenderade många långa timmar på att handmärka bilder pixel för pixel:moln eller inget moln. Hennes öga kan skilja molngränserna och molnet kontra ett aerosolskikt. Hon tog 40 timmar – motsvarande en hel arbetsvecka – för att märka cirka 100 dagars lidardata som samlats in vid Southern Great Plains atmosfärsobservatorium, del av DOE:s användaranläggning för mätning av atmosfärisk strålning, i Oklahoma.

Med tanke på hur tid och arbetskrävande handmärkningsprocessen är, PNNL beräkningsforskare och medföreståndare Erol Cromwell använde inlärningsmetoder som krävde minimalt med grundsanningsdata.

Modellen lär sig genom självfeedback. Den jämför sin egen prestanda mot handmärkta resultat och justerar sina beräkningar därefter, förklarar Cromwell. Den går igenom dessa steg, förbättras varje gång.

Cromwell kommer att presentera teamets resultat vid Institute of Electrical and Electronics Engineers Winter Conference on Applications of Computer Vision i januari.

Målet uppnått

Med utbildningen, djupinlärningsmodellen överträffar de nuvarande algoritmerna. Modellens precision är nästan dubbelt så stor och mycket närmare vad en mänsklig expert skulle hitta – men på en bråkdel av tiden.

Nästa steg är att utvärdera modellens prestanda på lidardata som samlats in på olika platser och under olika årstider. De första testerna på data från ARM-observatoriet vid Oliktok Point i Alaska är lovande.

"En fördel med modellen för djupinlärning är överföringsinlärning, " säger Cromwell. "Vi kan träna modellen vidare med data från Oliktok för att göra dess prestanda mer robust."

"Att minska källor till osäkerhet i globala modellförutsägelser är särskilt viktigt för atmosfärsvetenskapssamhället, " säger Flynn. "Med sin förbättrade precision, djupinlärning ökar vårt självförtroende."

Hon tillägger:"Pluss det ger oss mer tid att vara ute och titta på riktiga moln! "