Snellere 3D-scans van wolken kunnen klimaatmodellen verbeteren
Kijk eens naar een bewolkte lucht. Je ziet een vlak wit oppervlak, maar daaronder zit een complexe structuur van dichte en dunne delen, lagen en vormen. Juist die binnenkant van wolken is voor wetenschappers nog altijd lastig te meten. Een nieuwe rekenmethode kan daar verandering in brengen.
Lage wolken, zoals stapelwolken boven de oceaan, zijn een van de grootste bronnen van onzekerheid in klimaatmodellen. Ze kunnen zonlicht terugkaatsen (koelend effect) of juist warmte vasthouden (opwarmend effect). Welk effect overheerst, hangt sterk af van hun precieze 3D-structuur: hoe dicht de wolk is, waar de dichte en dunne delen zitten. Satellieten zien vooral de bovenkant van wolken, niet de binnenkant. Om toch een 3D-beeld te krijgen, gebruiken onderzoekers een soort CT-scan techniek: ze combineren beelden vanuit meerdere hoeken tot een driedimensionaal model. Het probleem is dat deze berekening nu nog erg traag gaat.
Een onderzoeksteam ontwikkelde een nieuwe methode, HybridCT genaamd, die kunstmatige intelligentie (AI) combineert met natuurkundige berekeningen. Eerst vertaalt een AI-model lichtmetingen vanuit negen verschillende camerahoeken naar informatie over hoe dik en dicht een wolk op elk punt is. Daarna zet een wiskundige reconstructietechniek (SART) die informatie om in een volledig 3D-model van de wolk.
Het resultaat is opvallend. De nieuwe methode berekent een 3D-wolkenmodel in 3,5 seconden. De bestaande standaardmethode, AT3D, heeft daar ongeveer 30 minuten voor nodig. Dat is een versnelling van meer dan 500 keer. Vergelijk het met het verschil tussen een treinreis van een halve dag en een vlucht van een paar minuten, voor precies dezelfde bestemming.
Snelheid is niet het enige verschil. De onderzoekers testten beide methodes op kunstmatig gegenereerde wolkendata, waarbij ze precies wisten hoe de "echte" wolk eruitzag. De nieuwe methode zat gemiddeld 13,3 per kilometer naast de werkelijke waarde (een maat voor hoeveel licht de wolk tegenhoudt, uitgedrukt als RMSE, de gemiddelde afwijking tussen schatting en werkelijkheid). De oude methode zat er met 22,7 per kilometer verder naast. De nieuwe methode is dus niet alleen sneller, maar ook nauwkeuriger.
Wat betekent dit (nog) niet: Deze test is uitgevoerd met kunstmatig gegenereerde wolken in een computersimulatie, niet met metingen van echte wolken uit satellietdata. Het is dus nog niet bewezen dat de methode in de praktijk, met echte en rommeliger metingen, even goed presteert. Ook lost deze techniek op zichzelf nog geen onzekerheden in klimaatmodellen op: ze maakt het alleen mogelijk om sneller en op grotere schaal 3D-wolkendata te verzamelen, wat daarna nog verwerkt en geanalyseerd moet worden.
Als deze methode ook goed werkt op echte satellietbeelden, kan dat grote gevolgen hebben. Wetenschappers zouden dan voor het eerst op grote schaal gedetailleerde 3D-informatie over wolken kunnen verzamelen, in plaats van losse steekproeven. Die data kan helpen om te checken of klimaatmodellen wolken realistisch genoeg simuleren, en om beter te begrijpen hoe wolken de energiehuishouding van de aarde beïnvloeden.
Bron: HybridCT: ML Accelerated Tomography for Climate Relevant 3D Cloud Observations