De soorten land om ons heen spelen een belangrijke rol in hoe grote stormen zich zullen ontvouwen - overstromingswateren kunnen anders reizen over landelijke dan in stedelijke gebieden, bijvoorbeeld. Echter, het is een uitdaging om een ​​nauwkeurig beeld te krijgen van landtypes met alleen satellietbeeldgegevens, omdat het zo moeilijk te interpreteren is.

Onderzoekers van de Cockrell School of Engineering hebben, Voor de eerste keer, een machine learning-algoritme toegepast om de oppervlakteruwheid van verschillende soorten land met een hoog detailniveau te meten. Het team gebruikte een soort satellietbeelden die betrouwbaarder en gemakkelijker vast te leggen zijn dan typische optische foto's, maar ook moeilijker te analyseren. En ze werken eraan om deze gegevens te integreren in modellen voor stormvloeden om een ​​duidelijker beeld te geven van wat er zal gebeuren tijdens grote weersomstandigheden.

"Je kunt je voorstellen dat wanneer een storm land nadert, hij veel sneller en verder zal bewegen over open of onvruchtbaar land, " zei Ke Wang, een afgestudeerde onderzoeker in het lab van Ann Chen, universitair docent bij de afdeling Luchtvaart- en Ruimtevaarttechniek en Engineering Mechanics. "En, in tegenstelling tot, stormen bewegen langzamer over ruwere oppervlakken zoals dichtbegroeide bossen."

Vandaag, de belangrijkste bron voor gegevens over landtypes is afkomstig van de National Oceanic and Atmospheric Administration. Maar die gegevens worden maar om de vijf of zes jaar geüpdatet, waardoor het moeilijk is om een ​​duidelijk beeld te krijgen van hoe het land in de loop van de tijd verandert. De onderzoekers streven ernaar hun landgegevens minimaal jaarlijks te actualiseren, en idealiter, vaker dan dat.

Voor hun experiment het team analyseerde openbaar beschikbare Synthetic Aperture Radar, of SAR, beelden van een Japanse satelliet. SAR-beelden verschillen van de krachtige camera's in andere satellieten omdat ze de grond actief verlichten met behulp van radarsignalen in plaats van te vertrouwen op licht van de zon. die 's nachts of wanneer bewolking aanwezig kan zijn, beperkt kan zijn.

Standaard, op fysica gebaseerde modellen hebben moeite gehad om dit soort afbeeldingen nauwkeurig te analyseren. Maar het machine learning-algoritme van het team was in staat om een ​​duidelijk genoeg beeld te krijgen van de gegevens over de landruwheid, zodat de informatie kon worden gebruikt bij het modelleren van stormvloeden.

Met behulp van deze openbaar beschikbare satellietbeelden, het algoritme classificeert automatisch verschillende soorten land door kenmerken zoals topografie en helderheid uit de satellietgegevens te analyseren. Het onderzoek richtte zich voornamelijk op gebieden langs de Gulf Coast rond New Orleans en Houston, waar snelle landveranderingen en toename van sterke stormen deze grote steden meer risico op aanzienlijke schade brengen.

Het team werkt samen met Clint Dawson, professor en voorzitter van de afdeling Luchtvaart- en Ruimtevaarttechniek en Engineering Mechanics en leider van de Computational Hydraulics Group van het Oden Institute, om de gegevens voor zijn stormvloedmodellen aan te passen.

"Een stormvloedkering is een competitie tussen wind die water naar de kust stuwt, en het vermogen van de kust om de kracht van de golf te weerstaan, " zei Dawson. "Er is een groot verschil in stormvloed wanneer de kust bedekt is met flexibel gras versus dikke bomen zoals mangroven. De kust van Texas is bijzonder kwetsbaar voor golfslag omdat het voornamelijk laaggelegen moerassen en prairies zijn. Daarom, het kennen van het type landbedekking in een kustgebied is essentieel om stormvloeden te kunnen verzachten en voorspellen."

Deze gegevens kunnen besluitvormers helpen bij het overwegen van methoden om de impact van stormen af ​​te zwakken, zei Chen, wie is de hoofdonderzoeker van het artikel dat is gepubliceerd in? IEEE-transacties over geowetenschap en teledetectie . Bijvoorbeeld, beleidsmakers hebben lang gedebatteerd over de mogelijkheid om "groene muren" van vegetatie te bouwen om het binnenland te beschermen tegen orkanen en andere potentieel gevaarlijke stormen. Deze informatie kan helpen bij het vinden van de beste plaatsen om deze groene muren te plaatsen om kwetsbare gebieden te beschermen.

Hoewel dit onderzoek vooral gericht is op modellen voor stormvloeden, er zijn nog een aantal andere toepassingen. Het zou kunnen worden gebruikt om naar bossen te kijken en bomen te classificeren om inzicht te krijgen in de potentiële houtvoorraad en de effecten van houtoogst. En op een dag kan het helpen bij te houden hoe land in de loop van de tijd verandert, of het nu gaat om zaken als ontbossing, stadsontwikkeling of zeespiegelstijging.

Maar dat zou verbeteringen in satellietgegevens vereisen. Het algoritme van de onderzoekers heeft ongeveer 10 afbeeldingen nodig om een ​​nauwkeurige karakterisering van land te maken. Als het een jaar zou duren om die 10 afbeeldingen te krijgen, het zou kunnen vertellen wat voor soort land zich op die plaats bevindt, maar het kon niet analyseren hoe het land in de loop van het jaar was veranderd. Echter, NASA is bezig met een programma om de satellieten die nodig zijn om deze beelden vast te leggen, bij te werken en te upgraden. Ze zullen regelmatiger gegevens verzamelen met een hogere resolutie.

"De ruimtebeeldgegevens die we nu hebben, zijn veel meer dan tien jaar geleden, " zei Chen. "En in de komende 10 jaar, met de kwaliteit en kwantiteit van de gegevens die we zullen hebben, het wordt een tijd van exponentiële groei."