Prévia do material em texto
1/4 Harmonização da Teoria e Dados com a Assimilação de Dados Terrestres O Vox é um blog do Departamento de Publicações da AGU. A assimilação de dados em geofísica é um método que combina modelos numéricos com dados observacionais para melhorar nossa compreensão e previsões dos processos da Terra. Essa abordagem é essencial porque, devido às limitações teóricas, nenhum modelo único pode capturar todas as variações naturais. Da mesma forma, os dados observacionais, embora detalhados, muitas vezes carecem de cobertura completa espacial e temporalmente. Ao integrar modelos com dados do mundo real, a assimilação de dados aumenta a precisão e a confiabilidade das previsões em vários domínios geofísicos, como fluxos atmosféricos, correntes oceânicas e processos de superfície terrestre. Um novo artigo em Revisões de Geofísica explora a teoria, métodos e aplicações da assimilação de dados terrestres (LDA). Pedimos aos autores que dessem uma visão geral de como os cientistas usam o LDA, quais grandes avanços foram feitos e onde pesquisas adicionais são necessárias. Quais insights a assimilação de dados pode fornecer quando aplicada ao estudo dos processos de superfície terrestre? A assimilação de dados serve a propósitos duplos, melhorando a compreensão científica e fornecendo ferramentas- chave de engenharia. Ele utiliza teorias geofísicas para interpretar processos bem conhecidos e integra dados observacionais para abordar lacunas de conhecimento em áreas menos compreendidas. Por exemplo, a LDA refina modelos hidrológicos e melhora a precisão na representação de processos como a evapotranspiração. Do lado da engenharia, a LDA sustenta os sistemas de previsão e a reconstrução de dados históricos essenciais para a previsão hidrológica. Além disso, facilita o desenvolvimento dos gêmeos digitais da Terra, permitindo um planejamento ambiental mais preciso e testes de cenários. Isso torna o LDA inestimável tanto para o avanço da investigação científica quanto para melhorar as aplicações práticas nas ciências do sistema terrestre. https://eos.org/editors-vox https://doi.org/10.1029/2022RG000801 https://agupubs.onlinelibrary.wiley.com/journal/19449208 2/4 Componentes-chave, estrutura teórica e fluxo de trabalho técnico da assimilação de dados terrestres. Crédito da imagem: Li et al. [2024], Figura 2 Quais são os benefícios do uso de LDA em comparação com outras técnicas na pesquisa de superfície terrestre? LDA aumenta a precisão dos modelos de pesquisa de superfície terrestre, integrando observações de diversas fontes e escalas. LDA aumenta a precisão dos modelos de pesquisa de superfície terrestre, integrando observações de diversas fontes e escalas. Essa integração não apenas melhora o desempenho do modelo, mas também aprofunda a compreensão dos complexos processos terrestres-superfície. O LDA refina a quantificação de incertezas caracterizando e reduzindo erros em simulações e observações de modelos, proporcionando assim estimativas otimizadas de estados de superfície terrestre. Inovadoramente, a LDA emprega técnicas como filtros bayesianos e otimização não-linear para enfrentar as características não-linearitárias e não gaussianas dos processos de superfície terrestre. Olhando para o futuro, a LDA está pronta para se expandir a partir de aplicações puramente geofísicas para incluir sistemas naturais e sociais acoplados, facilitados pela integração com a análise de big data. Essa expansão promete revolucionar o campo, aumentando a precisão e o escopo das previsões nas ciências do sistema terrestre. Que tipos de dados observacionais da terra são integrados em modelos de terra? Os modelos terrestres assimilam uma variedade de dados observacionais para melhorar a compreensão e previsão dos estados terrestres. Essas observações incluem medições como umidade do solo, neve, água subterrânea, temperatura da superfície da terra, evapotranspiração e irrigação. Os dados são coletados de várias fontes, incluindo observações in situ, que são cada vez mais aprimoradas pelas tecnologias da Internet das Coisas (IoT) para monitoramento contínuo e em tempo real. Além disso, observações de sensoriamento remoto usando sensores em bandas de microondas, infravermelho e visível são coletadas de plataformas aéreas ou espaciais, fornecendo extensa cobertura e tipos de dados variados. Recentemente, fontes de dados não convencionais, incluindo mídias sociais, pesquisas sociais e câmeras de vigilância, também foram integradas, enriquecendo o cenário de dados para a assimilação de dados da terra e oferecendo novas perspectivas sobre a dinâmica da terra. https://doi.org/10.1029/2022RG000801 3/4 Quais são alguns dos principais desenvolvimentos que avançaram LDA ao longo das últimas 3 décadas? Nas últimas três décadas, a LDA passou por uma evolução substancial. Over the past three decades, LDA has undergone substantial evolution. Initially concentrating on refining theoretical foundations and methods, the field soon leveraged breakthroughs such as Bayesian filtering algorithms and hybrid methods to address the non-linearities and non-Gaussian behaviors in land surface systems. Innovation continued with the integration of machine learning, enhancing the diversity of handled data and revolutionizing uncertainty quantification. Today, LDA incorporates robust, adaptive algorithms that efficiently integrate multivariate and multi-scale observational data, supporting applications from local to global scales. A notable breakthrough is the development of coupled land-atmosphere data assimilation systems and the applications of LDA from pure geophysical systems to coupled natural and human systems. On what geographic scales can LDA systems be used? LDA systems are adaptable across various geographic scales: 1. Local and catchment scales: Focuses on detailed, high-resolution data to closely monitor land and water dynamics within small areas and river basins. 2. Regional scales: Expands to assimilate data over larger areas, crucial for understanding regional water cycles and energy budgets. 3. Global scales: Integrates worldwide data to enhance global land process analysis and understanding of environmental changes. What are some of the prospective benefits and challenges of incorporating big Earth data and machine learning into LDA? Benefits: Improved data utilization: Big Earth data provides a wealth of information that enhances the quality and coverage of data assimilated into LDA models. Enhanced predictive capabilities: Machine learning algorithms identify complex patterns within land surface processes from big Earth data, enabling the identification of crucial variables. Real-time monitoring and forecasting: The automation of data processing and analysis through machine learning makes LDA more efficient and reduces the time required, enabling near real-time monitoring and forecasting. Challenges: Data quality, consistency, and integration: Using big Earth data from diverse sources requires careful preprocessing and harmonization to avoid biases and inaccuracies. Model interpretability: Understanding the underlying physical processes using machine learning alone presents challenges. Computational demands: Processing large volumes of big Earth data and implementing complex machine learning algorithms necessitates huge computational resources. 4/4 Symbiotic integration of machine learning and land data assimilation. Credit: Li et al. [2024], Figure 4 What additional research efforts are needed to continue the advancement of LDA? LDA advances through targeted research efforts in key areas. First, LDA systems could be refined by improving the quality and scope of observational data, including meteorological and land observations. Second, LDA could benefit from the development of comprehensive land reanalysis that integrate extensive historical data, thus enhancing their accuracy and applicability. Third, development efforts should focus on creating fully operational systems for real-time application. Fourth,integrating LDA with studies of atmospheric processes and Earth’s critical zones will greatly broaden insights. Additionally, enriching LDA’s applications by incorporating advanced AI techniques and leveraging big data, such as social sensing, will enhance its utility. These collective efforts will propel LDA’s effectiveness and broader application in Earth system sciences. —Xin Li (xinli@itpcas.ac.cn, 0000-0003-2999-9818), Chinese Academy of Sciences, China; and Feng Liu (liufeng@lzb.ac.cn, 0000-0002-5872-3709), Chinese Academy of Sciences, China Citation: Li X., and F. Liu (2024), Harmonizing theory and data with land data assimilation, Eos, 105, https://doi.org/10.1029/2024EO245017. Published 7 May 2024. This article does not represent the opinion of AGU, Eos, or any of its affiliates. It is solely the opinion of the author(s). Text © 2024. The authors. CC BY-NC-ND 3.0 Except where otherwise noted, images are subject to copyright. Any reuse without express permission from the copyright owner is prohibited. https://doi.org/10.1029/2022RG000801 https://undefined/mailto:xinli@itpcas.ac.cn https://orcid.org/0000-0003-2999-9818 https://undefined/mailto:liufeng@lzb.ac.cn http://orcid.org/0000-0002-5872-3709 https://doi.org/10.1029/2024EO245017 https://creativecommons.org/licenses/by-nc-nd/3.0/us/