Detailansicht

Parameterizing atmospheric temperature profiles of terrestrial planets using modern machine learning regression methods

Markus Rosenberger

Art der Arbeit

Masterarbeit

Universität

Universität Wien

Fakultät

Fakultät für Geowissenschaften, Geographie und Astronomie

Studiumsbezeichnung bzw. Universitätlehrgang (ULG)

Masterstudium Astronomie

Betreuer*in

Manuel Güdel

Volltext herunterladen
Volltext in Browser öffnen

DOI

10.25365/thesis.70884

URN

urn:nbn:at:at-ubw:1-11273.56970.854685-5

Link zu u:search

(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract

(Deutsch)

Das Ziel dieser Arbeit ist es, zu zeigen, dass neurale Netzwerke sehr gut dazu in der Lage sind, vertikale Temperaturprofile der oberen Atmosphärenschichten von Planeten zu berechnen. Ein solches neurales Netzwerk kann diese Berechnungen um Größenordnungen schneller durchführen als moderne hochpräzise physikalische Modelle jeglicher Art, ohne dass dabei Genauigkeit oder Verlässlichkeit verloren gehen. Zunächst verwende ich eine vereinfachte Version des Kompot Codes von Colin John- stone. Dabei handelt es sich um ein 1D hydrodynamisches Modell für die Meso- und Thermosphäre von Planeten. Bei dieser Version müssen zunächst 2 der Eingangsvariablen, nämlich die molekulare Gasmasse sowie der Anteil des molekularen Sauerstoffs in der Atmosphäre, so definiert werden, dass das resultierende Temperaturprofil dem tatsäch- lichen so ähnlich wie möglich ist. Sobald das erledigt ist, definiere ich für drei weitere der Eingangsvariablen des Modells, nämlich Planetengröße, CO2-Anteil und einfallende stellare Strahlung, Unter- und Obergrenzen. Danach berechne ich über 1000 Temperatur- profile mit immer unterschiedlichen zufälligen Werten für jede der drei Variablen zwischen den definierten Grenzen. Diesen Datensatz teile ich dann auf in einen Trainings- und einen Testdatensatz. Mit ersterem kalibriere ich neurale Netzwerke auf einem breiten Gitter an Eigenschaften, wobei diese Eigenschaften die Anzahl der Schichten des Netzwerkes, die Anzahl der Neuronen in jeder Schicht sowie die Anzahl der Trainingsepochen sind. Den Testdatensatz verwende ich, um die Ergebnisse der trainierten Netzwerke zu validieren. MSE und RMSE dienen dabei als Maßzahlen für die Performance der Netzwerke. Im nächsten Schritt verwende ich dieses Modell gemeinsam mit einem Satz an Tem- peraturprofilen berechnet von Colin Johnstone mit der Vollversion des Kompot Codes. Diese Profile wurden unter der Annahme Strahlungsinputs der jungen Sonne zur Zeit des Archaikums auf der Erde, also zu einer Zeit zwischen 4.0 und 2.5 Mrd. Jahren in der Vergangenheit, berechnet. Außerdem wurde ein breiter Bereich an Werten für den CO2-Anteil in der Atmosphäre angenommen. Diesen Datensatz teile ich ebenfalls in Trainings- und Testprofile ein. Diesmal allerdings vertraue ich auf die Ergebnisse von zuvor und verwende nur noch das oben abgeleitete Modell. Zuletzt verwende ich noch ein Modell zur Berechnung von Sternentwicklungen namens MORS, um Strahlungsprofile für Sterne unterschiedlicher Rotationsgeschwindigkeiten und Massen zu erhalten. Die Ergebnisse verwende ich dann als Input für das zuvor trainierte neurale Netzwerk, um Temperaturprofile der oberen Atmosphärenschichten eines Planeten in der habitablen Zone dieser Sterne zu berechnen. Am Ende dieser Arbeit soll also ein Aufbau eines neuralen Netzwerkes stehen, der äußerst schnell, aber dennoch genau und zuverlässig, die Temperatur in den oberen Schichten der Atmosphäre von Planeten unterschiedlichster Eigenschaften berechnen kann.

Abstract

(Englisch)

In this work, I develop and utilize an efficient method to calculate the vertical structures of the atmospheres of terrestrial planets using modern machine learning regression methods. The aim is to explore how such methods could allow us to calculate very large numbers of atmospheric profiles in a reasonable amount of time while keeping the advantages in accuracy and reliability of more detailed numerical models. This would allow us to use our most sophisticated atmospheric models to study atmospheric processes in the large number of known or soon to be known exoplanets and it would allow us to run long term evolutionary calculations for atmospheric escape. To achieve this I use a simplified version of The Kompot Code, which is provided to me by Colin Johnstone. This state-of-the-art physical model can be used to model the Earth’s mesosphere and thermosphere. I tune this model so that it can reproduce the basic shape of the temperature profile of the Earth’s upper atmosphere. Afterwards, I use this model to calculate over 1000 atmospheric profiles in regimes similar to the modern Earth. The varying parameters are the planet’s size, the CO2 abundance in the atmosphere and the stellar XUV flux. Their exact values are chosen randomly for each simulation between well-defined lower and upper limits. I use these profiles to train and test neural networks in order to find out, which set of network parameters delivers the best results. The parameters of the neural networks are the number of hidden layers, the number of nodes per layer and the number of training epochs. To find the best combination of these parameters, I examine the ability of each network to reproduce the already known profiles. Once this is done, I show the utility of a neural network with the best performing set of parameters according to the previous step. To do this Colin Johnstone provided me further atmospheric profiles he calculated using the full Kompot Code. They give the vertical temperature structure of the Earth’s upper atmosphere during the Archean for different assumptions regarding the activity of the young Sun and the mixing ratio of CO2 in the atmosphere. As soon as this model is trained, I am able to calculate the evolution of Earth’s upper atmosphere for past eras with the input solar XUV flux and the CO2 abundance being the only needed parameters. In the end, I use the stellar evolution code MORS to calculate the temporal evolution of the emitted radiation of stars with different masses and initial rotation rates. Then I can calculate the evolution of the upper atmospheric temperature profile of a planet inside the habitable zone of these stars during its evolution using the NNs I trained before. The result of this work is a combination of neural network parameters together with the evidence that this special arrangement is able to calculate atmospheric temperature profiles very accurately. Moreover these calculations are done very fast and can be used for planets with a wide range of properties.

Autor*innen

Markus Rosenberger

Haupttitel (Englisch)

Parameterizing atmospheric temperature profiles of terrestrial planets using modern machine learning regression methods

Paralleltitel (Deutsch)

Parameterisierung atmosphärischer Temperaturprofile von terrestrischen Planeten unter Verwendung von maschinellem Lernen

Publikationsjahr

2021

Umfangsangabe

xiii, 53 Seiten : Illustrationen

Sprache

Englisch

Beurteiler*in

Manuel Güdel

Klassifikation

39 Astronomie > 39.53 Planeten

AC Nummer

AC16520756

Utheses ID

61374

Studienkennzahl

UA | 066 | 861 | |

Detailansicht

Abstracts

Schlagwörter