使用机器学习和雷达更好地了解风暴潮风险

我们周围的土地类型在大风暴如何展开方面发挥着重要作用——例如，洪水在农村和城市地区的流动可能不同。然而，仅使用卫星图像数据获得土地类型的准确图片是具有挑战性的，因为它很难解释。

科克雷尔工程学院的研究人员首次应用机器学习算法来高度详细地测量不同类型土地的表面粗糙度。该团队使用了一种卫星图像，它比典型的光学照片更可靠、更容易捕捉，但分析起来也更具挑战性。他们正在努力将这些数据整合到风暴潮模型中，以便更清楚地了解重大天气事件期间会发生什么。

“你可以想象，当风暴接近陆地时，它会在开阔或贫瘠的土地上移动得更快、更远，”航空航天工程与工程力学系助理教授陈安实验室的研究生研究员王柯说。“而且，相比之下，风暴在植被茂密的森林等较粗糙的表面上移动速度较慢。”

今天，土地类型数据的主要来源来自国家海洋和大气管理局。但这些数据每五六年才会更新一次，因此很难清楚地了解土地是如何随时间变化的。研究人员的目标是使他们的土地数据能够至少每年更新一次，理想情况下，比这更频繁。

在他们的实验中，该团队分析了从卫星拍摄的公开可用的合成孔径雷达 (SAR) 图像。SAR 图像不同于其他卫星中强大的相机，因为它们使用雷达信号主动照亮地面，而不是依赖来自太阳的光，这在夜间或存在云层时可能会受到限制。

标准的、基于物理的模型一直难以准确分析这些类型的图像。但该团队的机器学习算法能够创建足够清晰的土地粗糙度数据图片，该信息可用于风暴潮建模。

InSAR 测量的一个例子。干涉图可以被认为是在不同日期在同一区域获取的两幅 SAR 图像之间的差异。像素的颜色表示地表在两个采集日期之间移动了多少。图片来源：德克萨斯大学奥斯汀分校。

该算法使用这些公开可用的卫星图像，通过分析卫星数据中的地形和亮度等特征，自动对不同类型的土地进行分类。该研究主要集中在新奥尔良和休斯顿周围的墨西哥湾沿岸地区，这些地区的快速土地变化和强风暴的增加使这些主要城市更有可能遭受重大破坏。

该团队正在与航空航天工程与工程力学系教授兼系主任、奥登研究所计算水力学组组长 Clint Dawson 合作，为他的风暴潮模型调整数据。

道森说：“风暴潮是将水推向海岸的风与海岸承受潮汐力的能力之间的竞争。” “当海岸覆盖着柔软的草地时，风暴潮与红树林等茂密的树木之间存在很大差异。德克萨斯海岸特别容易受到潮汐的影响，因为它主要是低洼的沼泽地和草原。因此，了解土地类型沿海地区的覆盖对于减轻和预测风暴潮至关重要。”

发表在IEEE Transactions on Geoscience and Remote Sensing上的论文的首席研究员 Chen 说，这些数据可以帮助决策者考虑减轻风暴影响的方法。例如，政策制定者长期以来一直在争论是否可能建造植被“绿墙”以保护内陆地区免受飓风和其他潜在危险风暴的影响。这些信息可以帮助找出放置这些绿墙以保护脆弱区域的最佳位置。

虽然这项研究主要集中在风暴潮模型上，但还有许多其他应用。它可用于查看森林并对树木进行分类，以了解存在多少潜在的木材供应以及木材采伐的影响。它有朝一日可以帮助追踪土地如何随时间变化，无论是由于森林砍伐、城市发展还是海平面上升等原因。

但这需要改进卫星数据。研究人员的算法需要大约 10 张图像才能准确表征土地。如果用一年的时间得到这 10 张图像，它可以判断那个地方是什么类型的土地，但它无法分析土地全年的变化情况。然而，NASA 正在进行一项更新和升级捕获这些图像所需卫星的计划。他们将以更高的分辨率更定期地收集数据。

“我们现在拥有的空间图像数据比 10 年前要多得多，”陈说。“在接下来的 10 年里，随着我们将拥有的数据的质量和数量，这将是一个指数增长的时期。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！