Immagine ingrandita dell'ampiezza SAR sulla città di La Marque e Texas City (Houston), molto vicino alla costa del Texas. Le aree scure mostrate in questa figura sono principalmente acqua. L'area super luminosa nella parte in basso a destra della figura è un'area industriale con molti impianti di produzione di petrolio. Un'ondata di tempesta può causare una grande quantità di perdite economiche quando colpisce quest'area. Credito:Università del Texas ad Austin
I tipi di terreno intorno a noi giocano un ruolo importante nel modo in cui si svolgeranno le grandi tempeste:le acque alluvionali possono viaggiare in modo diverso nelle aree rurali rispetto a quelle urbane, Per esempio. Però, è difficile ottenere un'immagine accurata dei tipi di terreno utilizzando solo dati di immagini satellitari perché è così difficile da interpretare.
I ricercatori della Cockrell School of Engineering hanno, per la prima volta, applicato un algoritmo di apprendimento automatico per misurare la rugosità superficiale di diversi tipi di terreno con un alto livello di dettaglio. Il team ha utilizzato un tipo di immagini satellitari più affidabile e più facile da catturare rispetto alle tipiche fotografie ottiche, ma anche più difficile da analizzare. E stanno lavorando per integrare questi dati in modelli di mareggiate per fornire un quadro più chiaro di ciò che accadrà durante i principali eventi meteorologici.
"Puoi immaginare che quando una tempesta si avvicina alla terra si muoverà molto più velocemente e più lontano su una terra aperta o sterile, " ha detto Ke Wang, un ricercatore laureato nel laboratorio di Ann Chen, ricercatore presso il Dipartimento di Ingegneria Aerospaziale e Ingegneria Meccanica. "E, in contrasto, le tempeste si muovono più lentamente su superfici più ruvide come foreste densamente vegetate".
Oggi, la principale fonte di dati sui tipi di terreno proviene dalla National Oceanic and Atmospheric Administration. Ma quei dati vengono aggiornati solo ogni cinque o sei anni, rendendo difficile avere un'immagine chiara di come la terra cambia nel tempo. I ricercatori mirano a rendere i loro dati territoriali capaci di aggiornamenti almeno annuali, e idealmente, più frequente di così.
Per il loro esperimento, il team ha analizzato il radar ad apertura sintetica disponibile pubblicamente, o SAR, immagini riprese da un satellite giapponese. Le immagini SAR sono diverse dalle potenti telecamere di altri satelliti perché illuminano attivamente il terreno utilizzando segnali radar anziché affidarsi alla luce del sole, che può essere limitato di notte o in presenza di nuvolosità.
Standard, i modelli basati sulla fisica hanno faticato ad analizzare con precisione questi tipi di immagini. Ma l'algoritmo di apprendimento automatico del team è stato in grado di creare un'immagine abbastanza chiara dei dati sulla rugosità del terreno che le informazioni potrebbero essere utilizzate nella modellazione delle mareggiate.
Un esempio delle misurazioni InSAR. Un interferogramma può essere considerato come la differenza tra due immagini SAR acquisite sulla stessa area in date diverse. Il colore di un pixel rappresenta quanto si è spostata la superficie terrestre tra le due date di acquisizione. Credito:Università del Texas ad Austin.
Utilizzando queste immagini satellitari pubblicamente disponibili, l'algoritmo classifica automaticamente i diversi tipi di terreno analizzando caratteristiche come topografia e luminosità dai dati satellitari. La ricerca si è concentrata principalmente sulle aree lungo la costa del Golfo intorno a New Orleans e Houston, dove i rapidi cambiamenti del territorio e l'aumento di forti tempeste mettono queste grandi città più a rischio di danni significativi.
Il team sta lavorando con Clint Dawson, professore e presidente del Dipartimento di ingegneria aerospaziale e meccanica ingegneristica e leader del gruppo di idraulica computazionale dell'Oden Institute, adattare i dati per i suoi modelli di tempesta.
"La tempesta è una competizione tra il vento che spinge l'acqua verso la costa, e la capacità della costa di resistere alla forza dell'ondata, " Dawson ha detto. "C'è una grande differenza nell'ondata di tempesta quando la costa è ricoperta di erba flessibile rispetto a alberi spessi come le mangrovie. La costa del Texas è particolarmente vulnerabile all'ondata perché è principalmente una palude bassa e una prateria. Perciò, conoscere il tipo di copertura del suolo in una regione costiera è essenziale per essere in grado di mitigare e prevedere le mareggiate".
Questi dati potrebbero aiutare i decisori a prendere in considerazione metodi per attenuare l'impatto delle tempeste, disse Chen, chi è il ricercatore principale sul documento pubblicato in Transazioni IEEE su geoscienza e telerilevamento . Per esempio, i politici hanno a lungo discusso la possibilità di costruire "muri verdi" di vegetazione per proteggere le aree interne da uragani e altre tempeste potenzialmente pericolose. Queste informazioni potrebbero aiutare a capire i posti migliori per mettere queste pareti verdi per proteggere le aree vulnerabili.
Sebbene questa ricerca si concentri principalmente sui modelli di mareggiate, ci sono una serie di altre applicazioni. Potrebbe essere usato per esaminare le foreste e classificare gli alberi per capire quanto potenziale esiste l'offerta di legno e l'impatto della raccolta del legname. E un giorno potrebbe aiutare a monitorare come la terra cambia nel tempo, se a causa di cose come la deforestazione, sviluppo urbano o innalzamento del livello del mare.
Ma ciò richiederebbe miglioramenti nei dati satellitari. L'algoritmo dei ricercatori ha bisogno di circa 10 immagini per effettuare una caratterizzazione accurata del terreno. Se ci è voluto un anno per ottenere quelle 10 immagini, potrebbe dire che tipo di terreno c'è in quel luogo, ma non poteva analizzare come la terra fosse cambiata durante l'anno. Però, La NASA è nel bel mezzo di un programma per aggiornare e potenziare i satelliti necessari per catturare queste immagini. Raccoglieranno i dati più regolarmente a una risoluzione più elevata.
"I dati delle immagini spaziali che abbiamo ora sono molto di più di quelli che avevamo 10 anni fa, " Chen ha detto. "E nei prossimi 10 anni, con la qualità e la quantità dei dati che avremo, sarà un momento di crescita esponenziale".
