Использование машинного обучения и радаров для лучшего понимания рисков штормового нагона

Исследователи из Школы инженерии Кокрелла впервые применили алгоритм машинного обучения для детального измерения шероховатости поверхности различных типов ландшафта. Команда использовала спутниковые изображения SAR (Synthetic Aperture Radar), которые надежнее и проще в получении, чем обычные оптические снимки, но сложнее для анализа. Эти данные интегрируются в модели штормового нагона для более точного прогнозирования последствий экстремальных погодных явлений.

Точные данные о типе поверхности критически важны для моделирования штормового нагона, поскольку скорость и распространение паводковых вод сильно зависят от характера местности. Основной источник подобных данных — NOAA (Национальное управление океанических и атмосферных исследований США) — обновляется лишь раз в пять-шесть лет. Новый метод позволит обновлять информацию о ландшафте как минимум ежегодно, что особенно актуально для быстро меняющихся прибрежных зон, таких как районы Нового Орлеана и Хьюстона.

«Штормовой нагон — это противоборство между ветром, гонящим воду к берегу, и способностью побережья выдержать силу этого нагона», — пояснил профессор Клинт Доусон, с чьей командой по моделированию гидравлики сотрудничают авторы. — Существует огромная разница в нагоне, когда берег покрыт гибкой травой, а не густыми деревьями, такими как мангры». Данные о шероховатости могут помочь в планировании защитных мер, например, в оптимальном размещении «зеленых стен» из растительности.

Хотя исследование сфокусировано на штормовых нагонах, у технологии есть и другие применения: классификация типов леса, оценка запасов древесины, мониторинг изменений ландшафта из-за вырубки лесов, урбанизации или подъема уровня моря. Для отслеживания динамики изменений во времени необходимы более частые съемки. В рамках программы NASA по модернизации спутников ожидается экспоненциальный рост как качества, так и количества доступных радарных данных в ближайшее десятилетие.