Использование машинного обучения для мониторинга климатических угроз

Сочетание спутниковых технологий с машинным обучением может позволить ученым лучше отслеживать и готовиться к стихийным бедствиям, вызванным изменением климата. Такие выводы были представлены на ежегодном собрании Американского геофизического союза.

За последние десятилетия рост глобальных температур привел к увеличению интенсивности и частоты таких природных явлений, как ураганы, снежные бури, наводнения и лесные пожары. Хотя предотвратить эти бедствия невозможно, растущее количество спутников на орбите Земли дает больше возможностей для мониторинга их развития. Это может позволить людям в зоне риска принимать обоснованные решения и повысить эффективность местного реагирования на катастрофы.

Исследование использует данные геодезии — науки об измерении размера, формы и ориентации планеты в пространстве. Ученые провели серию кейс-стади, чтобы проверить, может ли сочетание дистанционного зондирования и глубокого машинного обучения точно отслеживать внезапные погодные явления, включая наводнения, засухи и штормовые нагоны. В одном эксперименте команда использовала радиосигналы от Глобальной навигационной спутниковой системы (GNSS), отраженные от океана, для отслеживания эволюции ураганов в Мексиканском заливе путем измерения подъема уровня моря после выхода на сушу. Была обнаружена положительная корреляция между более высоким уровнем моря и интенсивностью штормовых нагонов.

Данные были собраны в рамках миссий NASA и Германского аэрокосмического центра GRACE и GRACE Follow-On. Используя глубокое машинное обучение, команда смогла повысить пространственное разрешение данных с более чем 400 миль примерно до 15 миль, что значительно улучшает возможности мониторинга. Этот подход позволил количественно оценить путь и эволюцию штормовых нагонов от ураганов «Харви» (2017) и «Лаура» (2020) при выходе на сушу в Техасе и Луизиане.

Точные измерения таких опасных явлений в будущем могут помочь улучшить прогнозирование ураганов. Ученые подчеркивают необходимость более широкой доступности спутниковых данных для исследователей, поскольку проекты, основанные на глубоком машинном обучении, часто требуют огромных массивов разнообразных данных для составления точных прогнозов.