Ilmuwan ciptakan algoritme baru untuk tingkatkan pemantauan aerosol pada satelit FY-4A milik China

14 February 2024

Roket pengangkut Kuaizhou-1A yang membawa satelit Tianxing-1 02 lepas landas dari Pusat Peluncuran Satelit Jiuquan di China barat laut pada 11 Januari 2024. Satelit yang khususnya akan digunakan untuk berbagai eksperimen ilmiah, seperti deteksi lingkungan luar angkasa, ini diluncurkan pada pukul 11.52 Waktu Beijing, atau 10.52 WIB, dan berhasil memasuki orbit yang direncanakan. (Xinhua/Wang Haixia)

Pengukuran aerosol di atmosfer yang akurat sangat penting untuk memahami keseimbangan radiasi Bumi, perubahan iklim, dan kualitas udara.

Beijing, China (Xinhua) – Para ilmuwan baru-baru ini memperkenalkan sebuah algoritme baru yang menggabungkan deep learning dan transfer learning untuk meningkatkan pemantauan aerosol pada satelit FY-4A milik China.

Studi yang dipublikasikan di jurnal Engineering itu dilakukan melalui upaya kolaboratif antara Institut Fisika Atmosfer (Institute of Atmospheric Physics/IAP) di bawah naungan Akademi Ilmu Pengetahuan China (Chinese Academy of Sciences), Pusat Meteorologi Satelit Nasional (National Satellite Meteorological Center/NSMC) China, Institut Teknologi Harbin (Harbin Institute of Technology), dan beberapa institut lainnya.

Para ilmuwan percaya bahwa pengukuran aerosol di atmosfer yang akurat sangat penting untuk memahami keseimbangan radiasi Bumi, perubahan iklim, dan kualitas udara. Di atas satelit meteorologi geostasioner FY-4A milik China, Advanced Geostationary Radiation Imager (AGRI) memindai China setiap lima menit, memberikan data penting untuk memantau variasi spasiotemporal aerosol.

Roket pengangkut Long March-2D yang mengangkut satelit eksplorasi Matahari Advanced Space-based Solar Observatory (ASO-S), yang dalam bahasa Mandarin disebut Kuafu-1, lepas landas dari Pusat Peluncuran Satelit Jiuquan di China barat laut pada 9 Oktober 2022, yang menjadi upaya ilmiah lebih lanjut negara itu untuk mengungkap rahasia Matahari. (Xinhua/Wang Jiangbo)

Namun, ketidakfleksibelan algoritme pengambilan fisik secara tradisional, ditambah dengan jumlah lokasi sunphotometer berbasis darat yang tidak mencukupi, menimbulkan berbagai tantangan dalam memenuhi persyaratan sampel yang ekstensif untuk pembelajaran mesin dalam pengambilan kedalaman optik aerosol (aerosol optical depth/AOD).

Menanggapi tantangan ini, para ilmuwan mengembangkan sebuah algoritme pengambilan AOD inovatif yang menggabungkan deep learning dan transfer learning. Algoritme baru ini menggabungkan konsep-konsep penting dari algoritme dark target dan deep blue guna memfasilitasi pemilihan fitur untuk pembelajaran mesin.

Menurut penelitian tersebut, validasi independen menegaskan bahwa algoritme ini sangat akurat dalam memperkirakan tingkat aerosol AGRI. Hasilnya menunjukkan korelasi kuat dengan nilai yang telah diperkirakan, yang mengindikasikan keandalan algoritme dalam memprediksi kedalaman optik aerosol.

"Studi kami menunjukkan potensi yang signifikan dari penggabungan pendekatan fisik dengan deep learning dalam analisis geosains," kata penulis utama Fu Disong dari IAP.

"Algoritme yang diusulkan ini sangat menjanjikan untuk diaplikasikan pada sensor multispektral lainnya di satelit geostasioner," tutur Fu.

Laporan: Redaksi