La combinación de la tecnología satelital con el aprendizaje automático puede permitir a los científicos rastrear y prepararse mejor para los peligros naturales inducidos por el clima, según una investigación presentada el mes pasado en la reunión anual de la Unión Geofísica Estadounidense.

En las últimas décadas, el aumento de las temperaturas globales ha provocado que muchos fenómenos naturales como huracanes, tormentas de nieve, inundaciones e incendios forestales crezcan en intensidad y frecuencia.

Si bien los humanos no pueden evitar que ocurran estos desastres. dijo CK Shum, coautor del estudio y profesor de Byrd Polar Research. Center y en ciencias de la tierra en la Universidad Estatal de Ohio. Dijo que potencialmente permitir que las personas en el área tomen decisiones informadas podría mejorar la efectividad de la respuesta y gestión local de desastres.

« Predecir el futuro es una tarea bastante difícil, pero mediante el uso de la detección remota y el aprendizaje automático. – dijo Shum.

La investigación de Shum utiliza la geodesia, la ciencia que mide el tamaño, la forma y la orientación del planeta en el espacio, para estudiar los fenómenos relacionados con el cambio climático global.

Utilizando datos geodésicos recopilados de varios satélites de la agencia espacial. incluidas inundaciones, sequías y marejadas ciclónicas en algunas áreas del mundo.

En un experimento, el equipo usó estos métodos para determinar si las señales de radar del Sistema Global de Navegación por Satélite (GNSS) de la Tierra, que se reflejaban sobre el océano y eran recibidas por los receptores GNSS ubicados en las ciudades en alta mar en el Golfo de México, podrían usarse para rastrear evolución de los huracanes midiendo el aumento del nivel del mar después de tocar tierra. Entre 2020 y 2021, el equipo estudió cómo siete tormentas, como el huracán Hana y el huracán Delta, afectaron los niveles del mar costero antes de tocar tierra en el Golfo de México. encontraron una correlación positiva entre los niveles más altos del mar y la intensidad de las marejadas ciclónicas.

Los datos que utilizaron fueron recopilados por la misión Gravity Recovery And Climate Experiment (GRACE) del Centro Aeroespacial Alemán y la NASA, y su sucesor, GRACE Follow-On. pero hasta ahora solo han podido ver el planeta desde un poco más de 400 millas de altura. Pero al usar análisis profundos de aprendizaje automático, el equipo de Shum pudo reducir esta resolución a aproximadamente 15 millas.

“Aprovechar el aprendizaje automático profundo significa tener que condicionar el algoritmo para que aprenda continuamente de varias entradas de datos para lograr el objetivo que desea lograr”, dijo Shum. En este caso, los satélites permitieron a los investigadores cuantificar la trayectoria y la evolución de dos marejadas ciclónicas inducidas por huracanes del Atlántico de categoría 4 durante su llegada a tierra en Texas y Luisiana, el huracán Harvey en agosto de 2017 y el huracán Laura en agosto de 2020, respectivamente.

Las mediciones precisas de estos peligros naturales podrían algún día ayudar a mejorar el pronóstico de huracanes, dijo Shum. Pero a corto plazo, a Shum le gustaría que los países y las organizaciones hicieran que sus datos satelitales estuvieran más disponibles para los científicos, ya que los proyectos que se basan en el aprendizaje automático profundo a menudo necesitan grandes cantidades de datos de gran alcance para ayudar a hacer pronósticos precisos.

« Muchas de estas nuevas técnicas satelitales requieren tiempo y esfuerzo para procesar cantidades masivas de datos precisos », dijo Shum. « Si los investigadores tienen acceso a más recursos, podremos desarrollar tecnologías para preparar mejor a las personas para adaptarse, así como permitir que las agencias de gestión de desastres mejoren su respuesta a los peligros naturales intensos y frecuentes inducidos por el clima ».

Los coautores del proyecto fueron Yu Zhang, Yuanyuan Jia, Yihang Ding y Junyi Guo del estado de Ohio; Orhan Akyilmaz y Metehan Uz de la Universidad Técnica de Estambul; y Kazim Atman de la Universidad Queen Mary de Londres. Este trabajo fue apoyado por la Agencia de los Estados Unidos para el Desarrollo Internacional (USAID), la Fundación Nacional de Ciencias (NSF), la Administración Nacional de Aeronáutica y del Espacio y el Consejo de Investigación Científica y Tecnológica de Türkiye (TÜB?TAK).