Los tipos de tierra que nos rodean juegan un papel importante en cómo se desarrollarán las grandes tormentas:las aguas de la inundación pueden viajar de manera diferente entre las áreas rurales y las urbanas. por ejemplo. Sin embargo, Es un desafío obtener una imagen precisa de los tipos de tierra utilizando solo datos de imágenes de satélite porque es muy difícil de interpretar.

Los investigadores de la Escuela de Ingeniería Cockrell tienen, por primera vez, aplicó un algoritmo de aprendizaje automático para medir la rugosidad de la superficie de diferentes tipos de terreno con un alto nivel de detalle. El equipo utilizó un tipo de imágenes satelitales que es más confiable y más fácil de capturar que las fotografías ópticas típicas, pero también más desafiante de analizar. Y están trabajando para integrar estos datos en modelos de marejadas ciclónicas para brindar una imagen más clara de lo que sucederá durante los principales eventos climáticos.

"Puedes imaginar que cuando una tormenta se acerca a tierra, se moverá mucho más rápido y más lejos sobre tierra abierta o estéril, "dijo Ke Wang, un investigador graduado en el laboratorio de Ann Chen, profesor asistente en el Departamento de Ingeniería Aeroespacial y Mecánica de Ingeniería. "Y, a diferencia de, las tormentas se mueven más lentamente sobre superficies más ásperas como bosques densamente vegetados ".

Hoy dia, la principal fuente de datos sobre los tipos de tierra proviene de la Administración Nacional Oceánica y Atmosférica. Pero esos datos solo se actualizan cada cinco o seis años, lo que dificulta tener una idea clara de cómo cambia la tierra con el tiempo. Los investigadores tienen como objetivo hacer que sus datos territoriales sean capaces de al menos actualizaciones anuales, e idealmente, más frecuente que eso.

Para su experimento, el equipo analizó el radar de apertura sintética disponible públicamente, o SAR, imágenes tomadas de un satélite japonés. Las imágenes de SAR son diferentes de las potentes cámaras de otros satélites porque iluminan activamente el suelo mediante señales de radar en lugar de depender de la luz del sol. que puede estar limitado por la noche o cuando hay nubosidad.

Estándar, Los modelos 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 de la tierra como para que la información pudiera usarse en el modelado de marejadas ciclónicas.

Usando estas imágenes de satélite disponibles públicamente, el algoritmo clasifica automáticamente diferentes tipos de tierra mediante el análisis de características como la topografía y el brillo de los datos satelitales. 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 las fuertes tormentas ponen a estas grandes ciudades en mayor riesgo de sufrir daños importantes.

El equipo está trabajando con Clint Dawson, profesor y presidente del Departamento de Ingeniería Aeroespacial y Mecánica de Ingeniería y líder del Grupo de Hidráulica Computacional del Instituto Oden, para adaptar los datos para sus modelos de marejadas ciclónicas.

"La 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 del oleaje, ", Dijo Dawson." Hay una gran diferencia en la marejada ciclónica cuando la costa está cubierta de césped flexible frente a árboles gruesos como los manglares. La costa de Texas es particularmente vulnerable a las marejadas debido a que es principalmente un pantano y una pradera de tierras bajas. Por lo tanto, conocer el tipo de cobertura terrestre en una región costera es esencial para poder mitigar y predecir la marejada ciclónica ".

Estos datos podrían ayudar a los tomadores de decisiones a contemplar métodos para mitigar el impacto de las tormentas, dijo Chen, quién es el investigador principal del artículo publicado en Transacciones IEEE sobre geociencias y teledetección . Por ejemplo, Los legisladores han debatido durante mucho tiempo la posibilidad de construir "muros verdes" de vegetación para proteger las áreas del interior de los huracanes y otras tormentas potencialmente peligrosas. Esta información podría ayudar a descubrir los mejores lugares para colocar estas paredes verdes para proteger las áreas vulnerables.

Aunque esta investigación se centra principalmente en modelos de marejadas ciclónicas, hay una serie de otras aplicaciones. Podría usarse para observar los bosques y clasificar los árboles para comprender cuánto potencial de suministro de madera existe y los impactos de la extracción de madera. Y algún día podría ayudar a rastrear cómo cambia la tierra con el tiempo, ya sea por cosas como la deforestación, desarrollo urbano o aumento del nivel del mar.

Pero eso requeriría mejoras en los datos satelitales. El algoritmo de los investigadores necesita aproximadamente 10 imágenes para realizar una caracterización precisa de la tierra. Si tardara un año en obtener esas 10 imágenes, podría decir qué tipo de tierra hay en ese lugar, pero no pudo analizar cómo había cambiado la tierra a lo largo del año. Sin embargo, La NASA está en medio de un programa para actualizar y mejorar los satélites necesarios para capturar estas imágenes. Recopilarán datos con mayor regularidad a una resolución más alta.

"Los datos de imágenes espaciales 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 cantidad de los datos que vamos a tener, será una época de crecimiento exponencial ".