Die Kombination von Satellitentechnologie mit maschinellem Lernen könnte es Wissenschaftlern ermöglichen, klimabedingte Naturgefahren besser zu verfolgen und sich darauf vorzubereiten, so Forschungsergebnisse, die letzten Monat auf der Jahrestagung der American Geophysical Union vorgestellt wurden.
In den letzten Jahrzehnten haben steigende globale Temperaturen dazu geführt, dass viele Naturphänomene wie Hurrikane, Schneestürme, Überschwemmungen und Waldbrände an Intensität und Häufigkeit zunehmen.
Während Menschen diese Katastrophen nicht verhindern können, bietet die schnell wachsende Zahl von Satelliten, die die Erde aus dem Weltraum umkreisen, eine größere Möglichkeit, ihre Entwicklung zu überwachen, sagte CK Shum, Co-Autor der Studie und Professor an der Byrd Polar Research Center und in Geowissenschaften an der Ohio State University. Er sagte, dass die Möglichkeit, den Menschen in der Region zu ermöglichen, fundierte Entscheidungen zu treffen, die Wirksamkeit der lokalen Katastrophenhilfe und des Katastrophenmanagements verbessern könnte.
„Die Zukunft vorherzusagen ist eine ziemlich schwierige Aufgabe, aber durch den Einsatz von Fernerkundung und maschinellem Lernen soll unsere Forschung dazu beitragen, ein System zu schaffen, das in der Lage sein wird, diese klimabedingten Gefahren auf eine Weise zu überwachen, die eine rechtzeitige und fundierte Katastrophenreaktion ermöglicht. “, sagte Schum.
Shums Forschung nutzt die Geodäsie – die Wissenschaft der Messung der Größe, Form und Ausrichtung des Planeten im Weltraum – um Phänomene im Zusammenhang mit dem globalen Klimawandel zu untersuchen.
Unter Verwendung von geodätischen Daten, die von verschiedenen Satelliten der Weltraumbehörde gesammelt wurden, führten die Forscher mehrere Fallstudien durch, um zu testen, ob eine Mischung aus Fernerkundung und tiefgehender maschineller Lernanalyse abrupte Wetterepisoden, einschließlich Überschwemmungen, Dürren und Sturmfluten, in einigen Gebieten der Welt genau überwachen könnte.
In einem Experiment verwendete das Team diese Methoden, um zu bestimmen, ob Radarsignale des globalen Navigationssatellitensystems (GNSS) der Erde, die über dem Ozean reflektiert und von GNSS-Empfängern in Küstenstädten im Golf von Mexiko empfangen wurden, zur Verfolgung verwendet werden könnten Hurrikanentwicklung durch Messung des Anstiegs des Meeresspiegels nach der Landung. Zwischen 2020 und 2021 untersuchte das Team, wie sieben Stürme wie Hurrikan Hana und Hurrikan Delta den Meeresspiegel an der Küste beeinflussten, bevor sie im Golf von Mexiko auf Land trafen. Durch die Überwachung dieser komplexen Veränderungen fanden sie eine positive Korrelation zwischen höheren Meeresspiegeln und der Intensität der Sturmfluten.
Die verwendeten Daten wurden von der NASA und der GRACE-Mission (Gravity Recovery And Climate Experiment) und dem Nachfolger GRACE Follow-On des Deutschen Zentrums für Luft- und Raumfahrt gesammelt. Beide Satelliten wurden in den letzten zwei Jahrzehnten zur Überwachung von Veränderungen der Erdmasse verwendet, konnten den Planeten bisher jedoch nur aus etwas mehr als 400 Meilen Höhe sehen. Mithilfe von Deep Machine Learning Analytics konnte Shums Team diese Auflösung jedoch auf etwa 15 Meilen reduzieren und so die Fähigkeit der Gesellschaft zur Überwachung von Naturgefahren effektiv verbessern.
„Die Vorteile des tiefen maschinellen Lernens zu nutzen bedeutet, den Algorithmus so zu konditionieren, dass er kontinuierlich aus verschiedenen Dateneingaben lernt, um das gewünschte Ziel zu erreichen“, sagte Shum. In diesem Fall ermöglichten Satelliten den Forschern, den Weg und die Entwicklung von zwei durch Hurrikane der Kategorie 4 im Atlantik verursachten Sturmfluten während ihrer Landung über Texas und Louisiana, Hurrikan Harvey im August 2017 bzw. Hurrikan Laura im August 2020, zu quantifizieren.
Genaue Messungen dieser Naturgefahren könnten eines Tages dazu beitragen, die Hurrikanvorhersage zu verbessern, sagte Shum. Kurzfristig möchte Shum jedoch, dass Länder und Organisationen ihre Satellitendaten Wissenschaftlern leichter zugänglich machen, da Projekte, die auf tiefes maschinelles Lernen angewiesen sind, oft große Mengen an weitreichenden Daten benötigen, um genaue Vorhersagen zu treffen.
„Viele dieser neuartigen Satellitentechniken erfordern Zeit und Mühe, um riesige Mengen genauer Daten zu verarbeiten“, sagte Shum. „Wenn Forscher Zugang zu mehr Ressourcen haben, werden wir möglicherweise in der Lage sein, Technologien zu entwickeln, um die Menschen besser auf die Anpassung vorzubereiten, und es den Katastrophenschutzbehörden ermöglichen, ihre Reaktion auf intensive und häufige klimabedingte Naturgefahren zu verbessern.“
Mehr Informationen:
Konferenz: www.agu.org/Fall-Meeting