Los tipos de tierra que nos rodean juegan un papel importante en la aparición de las grandes tormentas; por ejemplo, las inundaciones pueden viajar de manera diferente a través de las áreas rurales y urbanas. Sin embargo, es difícil obtener una imagen precisa de los tipos de tierra utilizando solo datos de imágenes de satélite porque es difícil de interpretar.

Investigadores de la Escuela de Ingeniería Cockrell han aplicado, por primera vez, un algoritmo de aprendizaje automático Para medir la rugosidad superficial de diferentes tipos de suelo con un alto nivel de detalle. El equipo utilizó un tipo de imágenes de satélite que es más confiable y más fácil de capturar que las imágenes ópticas típicas, pero también más difícil de analizar. Están trabajando para integrar estos datos en los modelos de tormentas para dar una imagen más clara de lo que sucederá durante los principales eventos climáticos.

“Puedes imaginar que a medida que una tormenta se acerca a la Tierra, se moverá más rápido y más lejos en terreno abierto o estéril”, dijo Kei Wang, investigador graduado en el laboratorio de Ann Chen, profesor asistente en el Departamento de Ingeniería Aeronáutica y Mecánica de Ingeniería. . “En contraste, las tormentas se mueven más lentamente sobre superficies rugosas como bosques densamente plantados”.

Hoy en día, la principal fuente de datos sobre tipos de tierra proviene de la Administración Nacional Oceánica y Atmosférica. Pero estos datos solo se actualizan cada cinco o seis años, lo que dificulta obtener una imagen clara de cómo ha cambiado la Tierra a lo largo del tiempo. Los investigadores tienen como objetivo hacer que sus datos sobre la tierra sean capaces de actualizarse al menos una vez al año e, idealmente, más frecuentes.

Para su experimento, el equipo analizó imágenes de radar de apertura sintética, o SAR, capturadas desde un satélite japonés. Las imágenes de SAR se diferencian de las potentes cámaras de otros satélites porque iluminan activamente la Tierra mediante señales de radar en lugar de depender de la luz solar, que puede estar limitada por la noche o cuando hay nubes.

Los modelos estándar basados ​​en la física han tenido problemas para analizar con precisión este tipo de imágenes. Pero el algoritmo de aprendizaje automático del equipo pudo crear una imagen lo suficientemente clara de los datos de rugosidad del suelo para que la información pudiera usarse en el modelado de marejadas ciclónicas.

Utilizando imágenes de satélite disponibles públicamente, el algoritmo clasifica automáticamente diferentes tipos de tierra mediante el análisis de características como el terreno y el brillo de los datos del satélite. La investigación se centró principalmente en áreas a lo largo de la costa del Golfo alrededor de Nueva Orleans y Houston, donde los rápidos cambios de tierra y el aumento de tormentas poderosas ponen a estas grandes ciudades en mayor riesgo de sufrir daños importantes.

El equipo está trabajando con Clint Dawson, profesor y presidente de Ingeniería Aeroespacial y Mecánica de Ingeniería y Jefe del Grupo de Hidráulica Computacional en el Instituto Odin, para adaptar los datos a los modelos de marejadas ciclónicas.

“Una marejada ciclónica es una competencia entre el viento que empuja el agua hacia la costa y la capacidad de la costa para resistir la fuerza de las olas”, dijo Dawson. “Hay una gran diferencia en una marejada ciclónica cuando la costa está cubierta de pasto resistente frente a árboles densos como los manglares. La costa de Texas es particularmente propensa a un aumento repentino porque es principalmente pantanos bajos y praderas. Por lo tanto, conocer el tipo de cobertura terrestre en una zona costera es fundamental para la capacidad de mitigar y predecir las marejadas ciclónicas.

Estos datos pueden ayudar a los tomadores de decisiones a pensar en formas de mitigar el impacto de las tormentas, dijo Chen, el investigador principal del artículo publicado en Transacciones IEEE en Ciencias de la Tierra y Teledetección. Por ejemplo, los legisladores han debatido durante mucho tiempo la posibilidad de construir “muros verdes” de vegetación para proteger el interior de huracanes y otras tormentas potencialmente peligrosas. Esta información puede ayudarlo a conocer los mejores lugares para colocar estas paredes verdes para proteger áreas vulnerables.

Aunque esta investigación se centra principalmente en Tormenta Modelos de brazo, hay una serie de otras aplicaciones. Se puede utilizar para observar los bosques y clasificar los árboles para comprender los posibles suministros de madera y los efectos de la extracción de madera. Y algún día podría ayudar a rastrear cómo la tierra ha cambiado con el tiempo, ya sea debido a factores como la deforestación, el desarrollo urbano o el aumento del nivel del mar.

Pero esto requerirá mejoras en los datos satelitales. El algoritmo de los investigadores necesita aproximadamente 10 imágenes para realizar una caracterización precisa de la Tierra. Si se necesita un año para obtener estas 10 imágenes, pueden determinar qué tipo de tierra hay, pero no pueden analizar cómo ha cambiado la Tierra a lo largo del año. Sin embargo, la NASA se encuentra en medio de un programa para actualizar y actualizar los satélites necesarios para capturar estas imágenes. Recopilarán datos con mayor regularidad y precisión.

“Los datos de imágenes de satélite que tenemos ahora son mucho más de los que teníamos hace 10 años”, dijo Chen. “Y en los próximos 10 años, con la calidad y la cantidad de datos que obtendremos, será un momento de crecimiento exponencial”.