使用机器学习帮助监测气候引发的危害

根据上个月在美国地球物理联合会年会上发表的研究，将卫星技术与机器学习相结合可以让科学家更好地跟踪和准备应对气候引起的自然灾害。

在过去的几十年里，全球气温上升导致飓风、暴风雪、洪水和野火等许多自然现象的强度和频率都在增加。

该研究的合著者、伯德极地研究中心的教授CKShum说，虽然人类无法阻止这些灾难的发生，但从太空绕地球运行的卫星数量迅速增加提供了更多的机会来监测它们的演变俄亥俄州立大学地球科学中心。他说，允许该地区的人们做出明智的决定可能会提高当地灾难响应和管理的有效性。

“预测未来是一项相当艰巨的任务，但通过使用遥感和机器学习，我们的研究旨在帮助创建一个系统，该系统能够以能够及时和知情的灾难响应的方式监测这些气候引发的危害，"舒姆说。

Shum的研究使用大地测量学——测量行星在空间中的大小、形状和方向的科学——来研究与全球气候变化相关的现象。

研究人员利用从各种航天局卫星收集的大地测量数据，进行了多个案例研究，以测试遥感和深度机器学习分析的结合是否可以准确监测突发天气事件，包括世界某些地区的洪水、干旱和风暴潮。

在一项实验中，该团队使用这些方法来确定来自地球全球导航卫星系统(GNSS)的雷达信号是否可用于跟踪在海洋上空反射并由位于墨西哥湾近海城镇的GNSS接收器接收的信号通过测量登陆后海平面上升的飓风演变。2020年至2021年间，该团队研究了飓风哈娜和飓风三角洲等七场风暴在登陆墨西哥湾之前如何影响沿海海平面。通过监测这些复杂的变化，他们发现海平面升高与风暴潮的强度之间存在正相关关系。

他们使用的数据是由NASA和德国航空航天中心的重力恢复和气候实验(GRACE)任务及其继任者GRACEFollow-On收集的。在过去的二十年里，这两颗卫星都被用来监测地球质量的变化，但到目前为止，它们只能从400多英里的高空观察地球。但是使用深度机器学习分析，Shum的团队能够将这个分辨率降低到大约15英里，有效地提高了社会监测自然灾害的能力。

“利用深度机器学习意味着必须调整算法以不断从各种数据输入中学习以实现你想要实现的目标，”Shum说。在这种情况下，卫星使研究人员能够量化两次4级大西洋飓风在德克萨斯州和路易斯安那州登陆期间引发的风暴潮的路径和演变，分别是2017年8月的飓风哈维和2020年8月的飓风劳拉。

Shum说，准确测量这些自然灾害有朝一日可能有助于改进飓风预报。但在短期内，Shum希望看到国家和组织让科学家更容易获得他们的卫星数据，因为依赖深度机器学习的项目通常需要大量范围广泛的数据来帮助做出准确的预测。

“许多这些新颖的卫星技术需要时间和精力来处理大量准确的数据，”Shum说。“如果研究人员能够获得更多资源，我们将有可能开发出技术来更好地让人们做好适​​应准备，并允许灾害管理机构改进他们对强烈和频繁的气候引发的自然灾害的反应。”