Las nubes juegan un papel crucial en la regulación del clima de la Tierra, afectando el ciclo del agua, la dinámica atmosférica y el balance energético. Estudiarlos, sin embargo, ha sido un desafío debido a las limitaciones de la tecnología de imágenes espaciales. Los investigadores de Technion han desarrollado un marco de representación inversa eficiente para la recuperación de distribución de nubes 3D. Este avance, publicado en Intelligent Computing, aborda los desafíos anteriores en el costo computacional y la aplicabilidad de escenas a gran escala, y ofrece nuevas posibilidades para la tomografía computarizada basada en dispersión en la observación de nubes.
¿Cómo dan forma las nubes al futuro del planeta? Las nubes no son solo formas blancas y esponjosas en el cielo. Son vitales para regular el clima terrestre, ya que influyen en el ciclo del agua, la dinámica atmosférica y el balance energético. Sin embargo, estudiar las nubes no es fácil. Una forma de hacer esto es usar generadores de imágenes espaciales, pero estos generadores de imágenes aún enfrentan desafíos de eficiencia y escalabilidad. Para superar estas limitaciones, Ido Czerninski y Yoav Y. Schechner de la Facultad de Ingeniería Eléctrica e Informática de Viterbi en el Technion, Instituto de Tecnología de Israel, socio de CloudCT, desarrollaron un marco de representación inversa eficaz para recuperar la distribución 3D de las nubes.
La investigación se publicó el 3 de enero en Intelligent Computing, un Science Partner Journal.
Este nuevo marco se puede utilizar para tomografía computarizada basada en dispersión, es decir, TC de dispersión. Los estudios anteriores aplicaron CT de dispersión para la observación de nubes, pero enfrentaron desafíos de costo computacional y aplicabilidad en escenas a gran escala. Además, la dispersión de la luz en las nubes varía según la longitud de onda de la luz y el tamaño de las gotas de agua y otras partículas en el aire. Este nivel de complejidad se alinea bien con el dominio de la renderización y volteo de imágenes.
Tomografía de nubes. Varias cámaras capturan simultáneamente imágenes de una nube desde diferentes ángulos. Estas imágenes se utilizan posteriormente para determinar la forma, el volumen y otras propiedades de la nube. Crédito: V. Holodovsky, M. Tzabari y A. Levis
Usando un nuevo algoritmo para acelerar el renderizado inverso, los autores pudieron obtener con precisión y eficiencia las propiedades 3D de las nubes. La representación inversa es una técnica computacional utilizada en gráficos por computadora y visión por computadora para estimar las propiedades de una escena 3D, como la forma, la iluminación y las propiedades materiales de los objetos, a partir de una imagen bidimensional. La precisión de la imagen de análisis de nubes en 3D obtenida por esta nueva estructura se ha demostrado utilizando datos simulados y del mundo real.
Este nuevo marco se puede utilizar no solo para la tomografía computarizada de dispersión, sino también en otros contextos de representación inversa, como la reflectometría, que utiliza la reflexión de ondas en superficies e interfaces para detectar o caracterizar objetos, y tomografías computarizadas de dispersión de rayos -x, que producen imágenes de órganos y tejidos.
Si bien este enfoque representa un progreso genuino, todavía existen algunos problemas. El estudio de la retroalimentación del clima de las nubes requiere una descripción precisa de la microfísica de las nubes, lo que implica estudiar los procesos físicos que ocurren dentro de las nubes. Sin embargo, el enfoque actual tiene en cuenta los parámetros ópticos en lugar del tamaño y el material. Por lo tanto, en estudios futuros, este enfoque debe ampliarse para incluir parámetros microfísicos. Esto es necesario para aprovechar al máximo la metodología de este trabajo para los estudios climáticos.
La principal innovación de los autores es el algoritmo de «reciclado y clasificación de caminos», que acelera el trabajo en el problema de representación inversa de imágenes. El renderizado inverso a menudo requiere varias iteraciones para refinar las variables que definen la escena. Cada iteración involucra operaciones de renderizado, pero el renderizado puede ser bastante lento, especialmente cuando se ejecuta cientos de veces durante refinamientos iterativos. Para superar este problema, el algoritmo recicla rutas de iteraciones anteriores durante el proceso de renderizado inverso. Este enfoque utiliza las rutas de las iteraciones anteriores para estimar un gradiente de pérdida en la iteración actual, lo que da como resultado una reducción significativa en el tiempo de ejecución de la iteración.
Referencia: «PARS: clasificación de rutas y reciclaje para una tomografía de nube eficiente» por Ido Czerninski y Yoav Y. Schechner, 3 de enero de 2023, Computación inteligente.
DOI: 10.34133/icomputación.0007
Esta investigación fue financiada en parte por el Consejo Europeo de Investigación en el marco del programa de investigación e innovación Horizonte 2020 de la Unión Europea.
