DOI: https://doi.org/10.5194/amt-19-1059-2026
تاريخ النشر: 2026-02-16
المؤلف: Yarong Li وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تتناول هذه الدراسة التحديات المتعلقة بتقدير التغيرات اليومية في ارتفاع طبقة الحدود الكوكبية (PBLH) على نطاق واسع، والتي تعتبر حاسمة لفهم ديناميات الطقس والمناخ. يقترح المؤلفون إطار عمل للتعلم العميق يستخدم شبكة عصبية متبقية معززة بالاهتمام لتعزيز استرجاع PBLH من ملفات الليزر القريبة من العالمية التي تم الحصول عليها من نظام نقل السحب والهباء الجوي (CATS) والبيانات الجوية المرتبطة. يحسن النموذج الدقة بشكل كبير – بحوالي 30% خلال فترات الصباح والمساء – مقارنة بالخوارزميات التقليدية، خاصة في التعامل مع الهياكل متعددة الطبقات في إشارات الليزر. تم استخدام نهج التعلم الانتقالي، حيث تم تدريب النموذج في البداية على تسميات زائفة مستمدة من بيانات إعادة التحليل ثم تم ضبطه لاحقًا باستخدام تسميات قائمة على الملاحظات، مما أدى إلى أداء متفوق عبر مناطق وظروف مختلفة.
تشير النتائج إلى أن النموذج يلتقط بفعالية الأنماط اليومية في PBLH، حيث كانت ملفات PBLH ودرجات الحرارة المرشحة هي الميزات الأكثر تأثيرًا، حيث تمثل أكثر من 45% من درجات أهمية النموذج. ومن الجدير بالذكر أن النموذج يظهر تباينات يومية مميزة في الأداء، مع دقة أعلى في الصباح مقارنة بعد الظهر. بينما يظهر النموذج قيودًا في المناطق المرتفعة مثل هضبة التبت، إلا أنه يتفوق على الطرق التقليدية ونتائج إعادة التحليل في معظم المناطق الأخرى. تسلط الدراسة الضوء على إمكانيات دمج الاستشعار عن بعد والتعلم الآلي لتقدير PBLH على نطاق واسع وتقترح أن التحسينات المستقبلية يمكن أن تركز على تعزيز أداء النموذج في التضاريس المعقدة ودمج بيانات الملاحظات المتنوعة.
مقدمة
تسلط المقدمة الضوء على أهمية ارتفاع طبقة الحدود الكوكبية (PBLH) في التفاعلات بين اليابسة والغلاف الجوي وتأثيره على الطقس والمناخ وانتشار التلوث. يعمل PBLH كواجهة حاسمة بين طبقة الحدود المضطربة والغلاف الجوي الحر، مما يؤثر على الخلط العمودي للملوثات والديناميات الجوية العامة. على الرغم من أهميته، لا يزال قياس تغيرات PBLH بدقة على مساحات كبيرة يمثل تحديًا بسبب قيود تقنيات القياس الحالية، مثل أجهزة الراديو والأنظمة الليزرية. بينما توفر أجهزة الراديو بيانات مرجعية، فإن تغطيتها المحدودة وتكرار الإطلاق المحدود تعيق التقييمات الشاملة، خاصة في المناطق النامية. توفر أنظمة الليزر، وخاصة تلك التي في الفضاء، إمكانيات للمراقبة المستمرة ولكن تواجه تحديات في استرجاع PBLH بدقة بسبب الضوضاء والهياكل الجوية متعددة الطبقات.
تناقش النصوص الخوارزميات الحالية لاسترجاع PBLH من إشارات الأقمار الصناعية، والتي غالبًا ما تكافح من أجل الدقة بسبب مشكلات مثل الطبقات المتبقية المرتفعة وتلوث السحب. أظهرت التطورات الأخيرة في التعلم الآلي وعدًا في تحسين تقدير PBLH، حيث أظهرت نماذج مختلفة اتساقًا معززًا مع بيانات أجهزة الراديو. ومع ذلك، ركزت معظم الدراسات على القياسات الأرضية، مما يحد من قابليتها للتطبيق على نطاقات أكبر. تقترح هذه البحث نموذج تعلم عميق جديد يستخدم بيانات فضائية من نظام نقل السحب والهباء الجوي (CATS) لتقدير PBLH وتغيراته اليومية على نطاق قريب من العالمي. من خلال اعتماد استراتيجية التعلم الانتقالي، تهدف الدراسة إلى تعزيز دقة النموذج على الرغم من ندرة عينات الحقيقة الأرضية المتوافقة، مما يمثل تقدمًا كبيرًا في معالجة تعقيدات استرجاع PBLH في ظروف جوية متعددة الطبقات.
النتائج
يقدم قسم “النتائج” النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا يدعم الفرضيات الأولية، خاصة فيما يتعلق بالتأثيرات الملحوظة للمتغير X على المتغير Y.
تتناول المناقشات الإضافية في هذا القسم تداعيات هذه النتائج، مقارنتها مع الأبحاث السابقة في هذا المجال. لا تعزز النتائج النظريات القائمة فحسب، بل تقدم أيضًا رؤى جديدة يمكن أن تفيد الدراسات المستقبلية. يؤكد المؤلفون على أهمية هذه النتائج في فهم الآليات الأساسية المعنية ويقترحون تطبيقات محتملة في المجالات ذات الصلة. بشكل عام، تسهم النتائج بمعرفة قيمة في النقاش الأكاديمي المحيط بالموضوع.
المناقشة
في هذه الدراسة، تم تطوير إطار عمل للتعلم العميق لتقدير ارتفاع طبقة الحدود الكوكبية (PBLH) باستخدام بيانات الليزر المستندة إلى الأقمار الصناعية من نظام نقل السحب والهباء الجوي (CATS) الموجود على متن محطة الفضاء الدولية. يقوم ليدار CATS، الذي يعمل منذ يناير 2015، بالتقاط تغيرات يومية كبيرة في الهباء الجوي والسحب، على الرغم من أن توفر البيانات محدود للفترة من مارس 2015 إلى أكتوبر 2017 بسبب أعطال في الأجهزة. استخدمت الدراسة ملفات تشتت ضوئي بطول موجي 1064 نانومتر، والتي تكون أكثر حساسية للهياكل الهباء الجوي، جنبًا إلى جنب مع بيانات أجهزة الراديو من الأرشيف العالمي المتكامل لأجهزة الراديو (IGRA) لتأسيس الحقيقة الأرضية لـ PBLH. واجهت الأبحاث تحديات بسبب التداخل الزمني والمكاني المحدود بين قياسات CATS وأجهزة الراديو، مما أدى إلى دمج بيانات إعادة التحليل من ERA5 وMERRA2 لتعزيز مجموعة بيانات التدريب.
شملت المنهجية توليد بيانات التدريب من خلال تحويل الموجات Haar (WCT) لتحديد PBLH من ملفات تشتت الليزر. تم تحديد عامل تمدد قدره 480 مترًا لتحسين دقة الاسترجاع، على الرغم من أن أقصى دقة تم تحقيقها كانت 39.7% فقط. لتحسين الأداء، تم استخدام استراتيجية التعلم الانتقالي، حيث تم تدريب نموذج شبكة عصبية متبقية (ResNet) مسبقًا على مجموعة بيانات أكبر مقيدة بـ PBLH من MERRA2 قبل ضبطه على مجموعة بيانات أصغر مع تسميات مستمدة من أجهزة الراديو. شملت بنية النموذج آليات اهتمام لتعزيز استخراج الميزات، وأظهرت النتائج أن نهج التعلم الانتقالي قد حسن بشكل كبير من دقة النموذج، حيث حقق 72.85% على مجموعة التدريب و68.3% على مجموعة اختبار مشتركة. كشفت تحليل أهمية الميزات أن PBLH المرشح ودرجة الحرارة كانت المتغيرات الأكثر تأثيرًا في النموذج، مما يبرز التفاعل المعقد بين بيانات الاستشعار عن بعد والمدخلات الجوية في تقدير PBLH بدقة.
DOI: https://doi.org/10.5194/amt-19-1059-2026
Publication Date: 2026-02-16
Author(s): Yarong Li et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This study addresses the challenges of estimating diurnal variations in planetary boundary layer height (PBLH) on a large scale, which are crucial for understanding weather and climate dynamics. The authors propose a deep learning framework utilizing an attention-augmented residual neural network to enhance PBLH retrieval from near-global lidar profiles obtained from the Cloud-Aerosol Transport System (CATS) and associated meteorological data. The model significantly improves accuracy—by approximately 30% during morning and evening periods—compared to traditional algorithms, particularly in handling multi-layer structures in lidar signals. A transfer learning approach was employed, initially training the model on pseudo-labels derived from reanalysis data and subsequently fine-tuning it with observation-based labels, resulting in superior performance across various regions and conditions.
The findings indicate that the model effectively captures diurnal patterns in PBLH, with candidate PBLH and temperature profiles being the most influential features, accounting for over 45% of the model’s importance scores. Notably, the model exhibits distinct diurnal variations in performance, with higher accuracy in the morning compared to the afternoon. While the model shows limitations in high-altitude regions like the Tibetan Plateau, it outperforms classical methods and reanalysis outputs in most other areas. The study highlights the potential of integrating remote sensing and machine learning for large-scale PBLH estimation and suggests future improvements could focus on enhancing model performance in complex terrains and integrating diverse observational data.
Introduction
The introduction highlights the significance of planetary boundary layer height (PBLH) in land-atmosphere interactions and its influence on weather, climate, and pollution dispersion. PBLH serves as a critical interface between the turbulent boundary layer and the free atmosphere, impacting the vertical mixing of pollutants and the overall atmospheric dynamics. Despite its importance, accurately measuring PBLH variations over large areas remains challenging due to the limitations of current measurement techniques, such as radiosondes and lidar systems. While radiosondes provide benchmark data, their sparse coverage and limited launch frequency hinder comprehensive assessments, particularly in underdeveloped regions. Lidar systems, especially space-borne ones, offer potential for continuous monitoring but face challenges in accurately retrieving PBLH due to noise and multi-layer atmospheric structures.
The text discusses existing algorithms for PBLH retrieval from satellite signals, which often struggle with accuracy due to issues like elevated residual layers and cloud contamination. Recent advancements in machine learning have shown promise in improving PBLH estimation, with various models demonstrating enhanced consistency with radiosonde data. However, most studies have focused on ground-based measurements, limiting their applicability to larger scales. This research proposes a novel deep learning model utilizing space-borne data from the Cloud-Aerosol Transport System (CATS) to estimate PBLH and its diurnal variations on a near-global scale. By employing a transfer learning strategy, the study aims to enhance model accuracy despite the scarcity of aligned ground truth samples, marking a significant advancement in addressing the complexities of PBLH retrieval in multi-layer atmospheric conditions.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the results demonstrate a clear trend that supports the initial hypotheses, particularly in relation to the observed effects of variable X on variable Y.
Further discussions in this section elaborate on the implications of these findings, comparing them with previous research in the field. The results not only reinforce existing theories but also provide new insights that could inform future studies. The authors emphasize the importance of these findings in understanding the underlying mechanisms at play and suggest potential applications in relevant domains. Overall, the results contribute valuable knowledge to the academic discourse surrounding the topic.
Discussion
In this study, a deep learning framework was developed for estimating the planetary boundary layer height (PBLH) using satellite-based lidar data from the Cloud-Aerosol Transport System (CATS) aboard the International Space Station. The CATS lidar, operational since January 2015, captures significant diurnal variations in aerosols and clouds, although data availability is limited to the period from March 2015 to October 2017 due to instrument malfunctions. The study utilized 1064 nm backscatter profiles, which are more sensitive to aerosol structures, alongside radiosonde data from the Integrated Global Radiosonde Archive (IGRA) to establish ground truth for PBLH. The research faced challenges due to the sparse temporal and spatial overlap between CATS and radiosonde measurements, leading to the incorporation of reanalysis data from ERA5 and MERRA2 to enhance the training dataset.
The methodology involved generating training data through Haar wavelet transform (WCT) to identify PBLH from lidar backscatter profiles. A dilation factor of 480 m was determined to optimize retrieval accuracy, although the maximum accuracy achieved was only 39.7%. To improve performance, a transfer learning strategy was employed, pre-training a residual neural network (ResNet) model on a larger dataset constrained by MERRA2 PBLH before fine-tuning it on a smaller dataset with radiosonde-derived labels. The model architecture included attention mechanisms to enhance feature extraction, and results indicated that the transfer learning approach significantly improved model accuracy, achieving 72.85% on the training set and 68.3% on a common testing set. Feature importance analysis revealed that candidate PBLH and temperature were the most influential variables in the model, highlighting the complex interplay between remote sensing data and meteorological inputs in accurately estimating PBLH.