Brug af maskinlæring og radar til bedre at forstå risiko for stormflod

Jordtyperne omkring os spiller en vigtig rolle i, hvordan store storme vil udfolde sig - oversvømmelsesvand kan rejse forskelligt over landdistrikter versus byområder, for eksempel. Imidlertid, det er udfordrende at få et præcist billede af landtyper, der kun bruger satellitbilleddata, fordi det er så svært at fortolke.

Forskere ved Cockrell School of Engineering har, for første gang, anvendt en maskinlæringsalgoritme til at måle overfladeruheden af ​​forskellige jordtyper med et højt detaljeringsniveau. Teamet brugte en type satellitbilleder, der er mere pålidelige og lettere at fange end typiske optiske fotografier, men også mere udfordrende at analysere. Og de arbejder på at integrere disse data i stormflodsmodeller for at give et klarere billede af, hvad der vil ske under større vejrhændelser.

"Du kan forestille dig, at når en storm nærmer sig land, vil den bevæge sig meget hurtigere og længere over åbent eller goldt land, "sagde Ke Wang, en kandidatforsker i laboratoriet af Ann Chen, adjunkt i Institut for Aerospace Engineering og Engineering Mechanics. "Og, i modsætning, storme bevæger sig langsommere over grovere overflader som tæt bevoksede skove. "

I dag, den vigtigste kilde til data om landtyper kommer fra National Oceanic and Atmospheric Administration. Men disse data opdateres kun hvert femte eller sjette år, gør det svært at få et klart billede af, hvordan jorden ændrer sig over tid. Forskerne sigter mod at gøre deres landdata i stand til mindst årlige opdateringer, og ideelt set hyppigere end det.

Til deres eksperiment, teamet analyserede offentligt tilgængelig Synthetic Aperture Radar, eller SAR, billeder taget fra en japansk satellit. SAR -billeder adskiller sig fra de kraftfulde kameraer i andre satellitter, fordi de aktivt belyser jorden ved hjælp af radarsignaler frem for at stole på lys fra solen, som kan være begrænset om natten, eller når der er skydække.

Standard, fysikbaserede modeller har kæmpet for nøjagtigt at analysere disse typer billeder. Men teamets maskinlæringsalgoritme var i stand til at skabe et klart nok billede af jord ruhedsdata til, at oplysningerne kunne bruges i stormflodsmodellering.

Ved hjælp af disse offentligt tilgængelige satellitbilleder, algoritmen klassificerer automatisk forskellige jordtyper ved at analysere egenskaber som topografi og lysstyrke fra satellitdataene. Forskningen fokuserede primært på områder langs Gulf Coast omkring New Orleans og Houston, hvor hurtige jordændringer og stigninger i stærke storme sætter disse større byer mere i fare for betydelig skade.

Teamet arbejder sammen med Clint Dawson, professor og formand for Institut for Aerospace Engineering and Engineering Mechanics og leder af Oden Institute's Computational Hydraulics Group, at tilpasse dataene til hans stormflodsmodeller.

"Stormflod er en konkurrence mellem vind, der skubber vand mod kysten, og kystens evne til at modstå overspændingens kraft, "Dawson sagde." Der er en stor forskel i stormflod, når kysten er dækket af fleksibelt græs kontra tykke træer som mangrover. Texas kysten er særligt sårbar over for oversvømmelser, fordi det primært er lavtliggende marskland og prærie. Derfor, at kende typen af ​​landdækning i en kystregion er afgørende for at kunne afbøde og forudsige stormflod. "

Disse data kan hjælpe beslutningstagere med at overveje metoder til at dæmpe virkningen af ​​storme, sagde Chen, hvem er hovedforsker på papiret offentliggjort i IEEE -transaktioner om geovidenskab og fjernmåling . For eksempel, politikere har længe diskuteret muligheden for at bygge "grønne vægge" af vegetation for at beskytte indre områder mod orkaner og andre potentielt farlige storme. Disse oplysninger kan hjælpe med at finde ud af de bedste steder at placere disse grønne vægge for at beskytte sårbare områder.

Selvom denne forskning for det meste fokuserer på stormflodsmodeller, der er en række andre applikationer. Det kunne bruges til at se på skove og klassificere træer for at forstå, hvor meget potentiel træforsyning der findes og virkninger af træhøst. Og det kunne en dag hjælpe med at spore, hvordan jord ændrer sig over tid, om det skyldes ting som skovrydning, byudvikling eller stigning i havniveau.

Men det ville kræve forbedringer i satellitdata. Forskernes algoritme har brug for cirka 10 billeder for at lave en nøjagtig karakterisering af jord. Hvis det tog et år at få de 10 billeder, det kunne fortælle, hvilken type jord der er på det sted, men den kunne ikke analysere, hvordan jorden havde ændret sig gennem året. Imidlertid, NASA er midt i et program til at opdatere og opgradere satellitter, der er nødvendige for at fange disse billeder. De vil indsamle data mere regelmæssigt ved en højere opløsning.

"De rumbilleddata, vi har nu, er meget mere, end vi havde for 10 år siden, "Sagde Chen." Og i de næste 10 år, med kvaliteten og mængden af ​​de data, vi skal have, det bliver en tid med eksponentiel vækst. "