Typerna av mark runt omkring oss spelar en viktig roll i hur stora stormar kommer att utvecklas - översvämningsvatten kan färdas på olika sätt över landsbygden jämfört med stadsområden, till exempel. Dock, det är utmanande att få en korrekt bild av landtyper med enbart satellitbilddata eftersom det är så svårt att tolka.

Forskare vid Cockrell School of Engineering har, för första gången, tillämpat en maskininlärningsalgoritm för att mäta ytjämnheten hos olika typer av mark med en hög detaljnivå. Teamet använde en typ av satellitbilder som är mer pålitlig och lättare att fånga än typiska optiska fotografier men också mer utmanande att analysera. Och de arbetar med att integrera dessa data i stormflodsmodeller för att ge en tydligare bild av vad som kommer att hända under stora väderhändelser.

"Du kan föreställa dig att när en storm närmar sig land kommer den att röra sig mycket snabbare och längre över öppet eller kargt land, sa Ke Wang, en doktorand i Ann Chens labb, biträdande professor vid institutionen för rymdteknik och teknisk mekanik. "Och, i kontrast, stormar rör sig långsammare över grövre ytor som tätt vegeterade skogar."

I dag, huvudkällan för data om landtyper kommer från National Oceanic and Atmospheric Administration. Men den informationen uppdateras bara vart femte eller sjätte år, vilket gör det svårt att få en tydlig bild av hur marken förändras över tid. Forskarna strävar efter att göra sina landdata kapabla att åtminstone årligen uppdateras, och helst, oftare än så.

För deras experiment, teamet analyserade offentligt tillgänglig syntetisk bländarradar, eller SAR, bilder tagna från en japansk satellit. SAR-bilder skiljer sig från de kraftfulla kamerorna i andra satelliter eftersom de aktivt belyser marken med radarsignaler istället för att förlita sig på ljus från solen, vilket kan vara begränsat på natten eller när molntäcke är närvarande.

Standard, fysikbaserade modeller har kämpat för att korrekt analysera dessa typer av bilder. Men teamets maskininlärningsalgoritm kunde skapa en tillräckligt tydlig bild av markens ojämnhetsdata för att informationen skulle kunna användas i stormflodsmodellering.

Genom att använda dessa allmänt tillgängliga satellitbilder, Algoritmen klassificerar automatiskt olika typer av mark genom att analysera egenskaper som topografi och ljusstyrka från satellitdata. Forskningen fokuserade främst på områden längs Gulf Coast runt New Orleans och Houston, där snabba landförändringar och ökningar av kraftiga stormar utsätter dessa storstäder för större risk för betydande skada.

Teamet arbetar med Clint Dawson, professor och ordförande för institutionen för flygteknik och teknisk mekanik och ledare för Oden Institutes Computational Hydraulics Group, att anpassa data för sina stormflodsmodeller.

"Stormflod är en konkurrens mellan vind som driver vatten mot kusten, och kustens förmåga att motstå kraften från vågen, ", sade Dawson. "Det finns en stor skillnad i stormflod när kusten är täckt av flexibelt gräs jämfört med tjocka träd som mangroveträd. Texaskusten är särskilt känslig för svallvågor eftersom det främst är låglänta träskmarker och prärier. Därför, Att känna till typen av marktäcke i en kustregion är avgörande för att kunna mildra och förutsäga stormflod."

Dessa data kan hjälpa beslutsfattare att överväga metoder för att dämpa effekterna av stormar, sa Chen, vem är huvudutredare på tidningen publicerad i IEEE-transaktioner på geovetenskap och fjärranalys . Till exempel, Politiker har länge diskuterat möjligheten att bygga "gröna väggar" av vegetation för att skydda inlandsområden från orkaner och andra potentiellt farliga stormar. Denna information kan hjälpa till att ta reda på de bästa platserna att placera dessa gröna väggar för att skydda sårbara områden.

Även om denna forskning mestadels fokuserar på stormflodsmodeller, det finns ett antal andra applikationer. Det kan användas för att titta på skogar och klassificera träd för att förstå hur mycket potentiell virkesförsörjning finns och effekterna av timmeravverkning. Och det kan en dag hjälpa till att spåra hur land förändras över tiden, oavsett om det beror på saker som avskogning, stadsutveckling eller havsnivåhöjning.

Men det skulle kräva förbättringar av satellitdata. Forskarnas algoritm behöver cirka 10 bilder för att göra en korrekt karakterisering av land. Om det tog ett år att få de 10 bilderna, det kan berätta vilken typ av mark som finns på den platsen, men den kunde inte analysera hur landet hade förändrats under hela året. Dock, NASA är mitt uppe i ett program för att uppdatera och uppgradera satelliter som behövs för att fånga dessa bilder. De kommer att samla in data mer regelbundet med en högre upplösning.

"Rymden bilddata vi har nu är mycket mer än vi hade för 10 år sedan, " sa Chen. "Och under de kommande 10 åren, med kvaliteten och kvantiteten på den data vi kommer att ha, det kommer att bli en tid av exponentiell tillväxt."