DOI: https://doi.org/10.5194/amt-18-3453-2025
تاريخ النشر: 2025-07-28
المؤلف: Damao Zhang وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تناقش هذه الفقرة استخدام طرق التعلم الآلي (ML) لتقدير ارتفاع طبقة الحدود الكوكبية (PBLHT) من خلال دمج قياسات استشعار عن بعد متعددة في مرصد قياس الإشعاع الجوي (ARM) التابع لوزارة الطاقة (DOE) في السهول الكبرى الجنوبية (SGP). تستخدم الدراسة ثلاثة نماذج ML – مصنف الغابة العشوائية (RF)، ومُرجع الغابة العشوائية، وآلة تعزيز التدرج الخفيف (LightGBM) – تم تدريبها على مجموعة بيانات تمتد من 2017 إلى 2023، والتي تشمل بيانات راديوسوند، وتقديرات مختلفة لارتفاع طبقة الحدود الكوكبية، وظروف جوية. تشير النتائج إلى أن أفضل تقدير لـ PBLHT المستمد من ML (PBLHT-BE-ML) يتماشى بشكل أقرب مع PBLHT المستمد من راديوسوند (PBLHT-SONDE)، حيث حقق LightGBM أعلى دقة عبر ظروف طبقة الحدود المختلفة.
حدد تحليل الميزات المدخلات الرئيسية التي تؤثر على PBLHT-BE-ML، ولا سيما تقديرات PBLHT من ملفات درجة الحرارة المحتملة عبر رادار رامان (RL) ومقياس الإشعاع الجوي المنبعث (AERI)، وتباين السرعة العمودية من رادار دوبلر (PBLHT-DL)، والارتداد الخلفي للغبار من رادار الميكروبلس (PBLHT-MPL). تمكنت النماذج من التقاط التطور اليومي والتغيرات الموسمية لـ PBLHT، مع حدوث أكبر التغيرات اليومية في الصيف. بالإضافة إلى ذلك، أظهرت تطبيق هذه النماذج على بيانات من تجربة ARM السحابية للغبار وهطول الأمطار في المحيط الهادئ الشرقي (EPCAPE) تحسينًا في دقة PBLHT-BE-ML، خاصة مع نموذج LightGBM. تقترح الدراسة أن توسيع مجموعة بيانات التدريب لتشمل أنواع سطح متنوعة يمكن أن يعزز أداء ML بشكل أكبر لتقدير PBLHT عبر مناطق جغرافية مختلفة.
مقدمة
تناقش مقدمة الورقة طبقة الحدود الكوكبية (PBL)، وهي الجزء الأدنى من الغلاف الجوي للأرض الذي يتفاعل مباشرة مع السطح. تتميز PBL بالاستجابة السريعة للقوى السطحية وتلعب دورًا حاسمًا في تبادل الحرارة والكتلة والرطوبة والزخم، مما يؤثر بشكل كبير على العمليات الجوية مثل نقل الغبار، وتكوين السحب، والهطول. ارتفاع PBL (PBLHT) هو معلمة حاسمة لفهم هذه العمليات، ومع ذلك، فإن تقديره بدقة لا يزال يمثل تحديًا بسبب تعقيدات PBL وقيود طرق القياس التقليدية مثل راديوسوند، التي توفر بيانات عالية الدقة ولكنها محدودة في التردد الزمني.
لمعالجة هذه التحديات، تسلط الورقة الضوء على إمكانيات الملاحظات المستمرة عن بعد، بما في ذلك السدارات، ومقاييس الرياح الرادارية، وتقنيات الليزر المختلفة، التي يمكن أن تقدم تقديرات PBLHT بدقة زمنية عالية. ومع ذلك، لكل طريقة مزاياها وقيودها، وقد يؤدي دمج البيانات من مصادر متعددة إلى الحصول على تقديرات أكثر موثوقية. يقترح المؤلفون استخدام تقنيات التعلم الآلي (ML) لتعزيز تقديرات PBLHT من خلال دمج بيانات استشعار عن بعد متنوعة ومعلومات بيئية مساعدة. يهدفون إلى تطوير نموذج ML قوي تم تدريبه على مجموعات بيانات واسعة من مرصد قياس الإشعاع الجوي التابع لوزارة الطاقة في السهول الكبرى الجنوبية، ساعين في النهاية إلى تحسين دقة توقعات PBLHT عبر ظروف بيئية مختلفة. تحدد الورقة هيكلها، موضحة الموقع والأدوات المستخدمة، ومنهجية ML، وتحليل النتائج.
مناقشة
تركز فقرة المناقشة في ورقة البحث على تقييم تقديرات ارتفاع طبقة الحدود الكوكبية (PBLHT) المستمدة من طرق الملاحظة المختلفة في موقع ARM Southern Great Plains (SGP). تم تجهيز منشأة SGP بأدوات استشعار عن بعد متقدمة وأدوات في الموقع، وقد قامت بجمع بيانات جوية واسعة منذ عام 1992، وهو أمر حاسم لفهم تفاعلات الغبار والسحب والأرض والغلاف الجوي. تستخدم الدراسة بيانات من 2017 إلى 2023 لتحليل PBLHT باستخدام ثلاث طرق معتمدة: طريقة هيفتر، وطريقة ليو وليانغ، ونهج عدد ريتشاردسون الكلي. توفر كل طريقة تقديرات PBLHT متميزة، تكشف عن اختلافات كبيرة، خاصة في ظل ظروف جوية مستقرة. يُوصى باستخدام الوسيط لهذه التقديرات كمرجع موثوق لتدريب نماذج التعلم الآلي.
بالإضافة إلى ذلك، تناقش الورقة تقديرات PBLHT المستمدة من تقنيات الاستشعار عن بعد، بما في ذلك القياسات من رادار الميكروبلس (MPL)، ومقاييس السقف (CEIL)، ورادار دوبلر (DL)، وملفات الديناميكا الحرارية (THERMO). تشير التقييمات الإحصائية إلى أنه في ظل ظروف PBL غير المستقرة، توفر MPL وDL تقديرات أكثر دقة مقارنةً بـ CEIL وTHERMO، التي تميل إلى المبالغة في تقدير قيم PBLHT. على العكس من ذلك، خلال الظروف المستقرة، يتفوق DL وTHERMO على MPL وCEIL، مما يبرز التحديات في تقدير PBLHT بدقة في حالات جوية متغيرة. تؤكد النتائج على الطبيعة التكميلية لهذه الطرق، مما يشير إلى أن دمج أساليب متعددة يمكن أن يعزز دقة واستمرارية تقديرات PBLHT عبر ظروف مختلفة.
DOI: https://doi.org/10.5194/amt-18-3453-2025
Publication Date: 2025-07-28
Author(s): Damao Zhang et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This section discusses the use of machine learning (ML) methods to estimate planetary boundary layer height (PBLHT) by integrating multiple remote sensing measurements at the Department of Energy (DOE) Atmospheric Radiation Measurement (ARM) Southern Great Plains (SGP) observatory. The study employs three ML models—random forest (RF) classifier, RF regressor, and light gradient-boosting machine (LightGBM)—trained on a dataset spanning 2017 to 2023, which includes radiosonde data, various remote sensing PBLHT estimates, and atmospheric conditions. The results indicate that the ML-derived best-estimate PBLHT (PBLHT-BE-ML) aligns more closely with radiosonde-derived PBLHT (PBLHT-SONDE), with LightGBM achieving the highest accuracy across different boundary layer conditions.
Feature analysis identified key input features influencing PBLHT-BE-ML, notably PBLHT estimates from potential temperature profiles via Raman lidar (RL) and atmospheric emitted radiance interferometer (AERI), vertical velocity variance from Doppler lidar (PBLHT-DL), and aerosol backscatter from micropulse lidar (PBLHT-MPL). The models effectively captured the diurnal evolution and seasonal variations of PBLHT, with the most significant diurnal changes occurring in summer. Additionally, applying these models to data from the ARM Eastern Pacific Cloud Aerosol Precipitation Experiment (EPCAPE) field campaign demonstrated improved accuracy of PBLHT-BE-ML, particularly with the LightGBM model. The study suggests that expanding the training dataset to include diverse surface types could further enhance ML performance for PBLHT estimation across different geographic regions.
Introduction
The introduction of the paper discusses the planetary boundary layer (PBL), the lowest part of the Earth’s atmosphere that interacts directly with the surface. The PBL is characterized by rapid responses to surface forcing and plays a crucial role in the exchange of heat, mass, moisture, and momentum, significantly influencing atmospheric processes such as aerosol transport, cloud formation, and precipitation. The height of the PBL (PBLHT) is a critical parameter for understanding these processes, yet accurately estimating it remains challenging due to the complexities of the PBL and limitations of traditional measurement methods like radiosondes, which provide high-resolution data but are limited in temporal frequency.
To address these challenges, the paper highlights the potential of continuous remote sensing observations, including sodar, radar wind profilers, and various lidar technologies, which can offer high temporal resolution PBLHT estimates. However, each method has its own advantages and limitations, and combining data from multiple sources may yield more reliable estimates. The authors propose using machine learning (ML) techniques to enhance PBLHT estimates by integrating diverse remote sensing data and ancillary environmental information. They aim to develop a robust ML model trained on extensive datasets from the Department of Energy’s Atmospheric Radiation Measurement Southern Great Plains observatory, ultimately seeking to improve the accuracy of PBLHT predictions across different environmental conditions. The paper outlines its structure, detailing the site and instruments used, the ML methodology, and the analysis of results.
Discussion
The discussion section of the research paper focuses on the evaluation of Planetary Boundary Layer Height (PBLHT) estimates derived from various observational methods at the ARM Southern Great Plains (SGP) site. The SGP facility, equipped with advanced remote sensing and in situ instruments, has been collecting extensive atmospheric data since 1992, which is crucial for understanding aerosol, cloud, and land-atmosphere interactions. The study utilizes data from 2017 to 2023 to analyze PBLHT using three established methods: the Heffter method, the Liu and Liang method, and the bulk Richardson number approach. Each method provides distinct PBLHT estimates, revealing significant discrepancies, particularly under stable atmospheric conditions. The median of these estimates is recommended as a reliable reference for training machine learning models.
Additionally, the paper discusses PBLHT estimates derived from remote sensing techniques, including measurements from Micro Pulse Lidar (MPL), ceilometers (CEIL), Doppler Lidar (DL), and thermodynamic profiles (THERMO). Statistical evaluations indicate that under unstable PBL conditions, MPL and DL provide more accurate estimates compared to CEIL and THERMO, which tend to overestimate PBLHT values. Conversely, during stable conditions, DL and THERMO outperform MPL and CEIL, highlighting the challenges of accurately estimating PBLHT in varying atmospheric states. The findings underscore the complementary nature of these methods, suggesting that integrating multiple approaches could enhance the accuracy and continuity of PBLHT estimations across different conditions.