NASA usa aprendizado de máquina para aprimorar avisos de inundações repentinas

Criado com o apoio do Earth Science Technology Office (ESTO) da NASA, o TACLS aproveita o aprendizado de máquina para localizar automaticamente evidências (aumentos incomuns na umidade atmosférica) de inundações repentinas iminentes que os meteorologistas poderiam perder ao analisar grandes quantidades de dados. O TACLS sinaliza essas evidências, indica onde as inundações repentinas podem ocorrer e exibe essas informações por meio de uma visualização fácil de usar para que os analistas humanos possam interpretar. Esses analistas podem então decidir se emitirão um alerta de enchente repentina ou um aviso meteorológico.

Esta nova estrutura para rastrear eventos climáticos extremos e prever inundações repentinas iminentes opera quase em tempo real, produzindo previsões em apenas quinze minutos.

“Isso é realmente o que queríamos fazer, dar aos meteorologistas uma ferramenta para ajudar na tomada de decisões para alertas de enchentes”, disse Yehuda Bock, pesquisador ilustre do Instituto de Oceanografia Scripps da UCSD e investigador principal do TACLS.

Nos testes de simulações, o TACLS utilizou dados de diversos eventos climáticos severos – incluindo rios atmosféricos, convecção de monções e remanescentes de ciclones tropicais – entre 2017 e 2023 e capturou com sucesso 93% dos avisos de inundações repentinas emitidos. Meteorologistas do Serviço Meteorológico Nacional estão atualmente trabalhando para incorporar o TACLS em seus sistemas existentes para previsão de enchentes repentinas no sul da Califórnia.

Este sistema de aprendizagem tem dois componentes principais. Primeiro, um conjunto de software analítico de back-end usa algoritmos de aprendizado de máquina para processar dados de satélite e determinar áreas com risco de inundação. Em segundo lugar, o software de visualização fácil de usar destaca essas áreas para análise posterior por humanos.

O software back-end ACLS analisa dados de satélites do Sistema Global de Navegação por Satélite (GNSS), uma constelação de redes de satélites que impulsionam os serviços de navegação em todo o mundo. O vapor de água na troposfera atrasa os sinais desses satélites à medida que viajam para a Terra. Este atraso de sinal pode ser analisado para calcular a quantidade de vapor d’água na atmosfera em um determinado local da Terra.

O pacote de software analítico de back-end TACLS apresenta um modelo de aprendizado de máquina treinado usando mais de 30 anos de dados GNSS anteriores. Este modelo é um detector de anomalias que rastreia aumentos incomuns na umidade atmosférica. O modelo então examina cuidadosamente os dados de umidade atmosférica e determina se é um artefato (uma característica falsa ou distorção nos dados) ou um transiente (um evento físico sensível ao tempo, como precipitação forte) que requer interpretação por analistas humanos.

Se o TACLS determinar que os dados representam um evento transitório, como um evento climático extremo que justifica um alerta de inundação repentina, ele encaminhará esses dados para o software de visualização TACLS (MGViz) para avaliação adicional por humanos. Os analistas usam o seu julgamento e experiência para interpretar estes eventos e determinar se os dados sinalizados indicam a probabilidade de uma inundação repentina e, se necessário, emitir um aviso de inundação repentina.

Várias inovações anteriores desenvolvidas no JPL são aproveitadas pelo TACLS para processar dados GNSS e apresentar os resultados. O conjunto de software de back-end analítico incorpora elementos do programa Domain-agnostic Outlier Ranking Algorithms do JPL e do programa Time-series Forecasting, Evaluation, and Deployment. O visualizador TACLS é baseado no Sistema de Informação Geográfica Multi-Missão, originalmente desenvolvido no JPL para as missões da NASA em Marte.

O software TACLS une todos esses componentes em um novo sistema que aprimora os métodos existentes para reduzir o tempo que um analista humano leva para determinar se deve emitir um alerta de enchente repentina.

Tanto o software TACLS como os dados utilizados para o treinar serão de código aberto, permitindo aos cientistas adaptar este modelo em resposta às suas necessidades únicas de investigação ou criar o seu próprio modelo a partir do zero.

Para obter detalhes adicionais, consulte o entrada para este projeto no NASA TechPort.

Líder do Projeto: Dr. Yehuda Bock, Universidade da Califórnia, San Diego.

Organização(ões) patrocinadora(s): Programa de Tecnologia de Sistemas de Informação Avançada do Escritório de Tecnologia de Ciências da Terra da NASA; JPL; NOAA; Serviço Meteorológico Nacional.