שימוש בנתונים מרחוק כדי לעקוב ולהעריך את אסון הנפילה הקשורה לגשם

הבנת אסון גשם וצורך במעקב מתקדם

אסונות הקשורים לגשם ו-mdash; כולל הצפות הבזק, שיטפונות בנהר, מפולות אדמה, והריסות זורם ו-mdash; הם בין הסיכונים הטבעיים ההרסניים ביותר בעולם. בשנת 2022 בלבד, אירועי שיטפונות המושפעים מ-57 מיליון אנשים ברחבי העולם, מה שגורם להפסדים כלכליים מעל 30 מיליארד דולר (EM-DAT, CRED) כשינויי אקלים בעצימות את המחזור המסורתי, המשקעים קיצוניים, הופכים לטמפרטורות קיצוניות יותר ויותר, אך לא יכולות להיות חמורות יותר ויותר, אך לא יכולות לעצימותרות, אך לא יכולות לעצימות, אך ורק לעצימותרות, אך ורק לעצימות, אך לא יכולות לעצימות, אך ורק לעצימותרות, אך ורק לעצימות, אך ורק לעצימותרות, אך ורק לעצימות, אך ורק לעצימות, אך ורק לעצימות, באזורים אלה, אך ורק לעצימות, באזורים אלה, אך ורק לעצימות, אך לא ניתן למצוא בהן, באזורים מסוכנים, באזורים מסוכנים יותר ויותר, באזורים קשים יותר ויותר, אך ורק לעצימות, אך לא ניתן למצוא אותם, באזורים מסוכנים, אך ורק לעצימות, אך ורק לעצימות, אך ורק לעצימות, באזורים

חישה מרחוק מתייחסת לרכישת מידע על אובייקט או תופעה מבלי ליצור מגע פיזי. בהקשר של ניטור אסון גשם, חיישנים על לווינים, מטוסים וכלי רכב אוויריים בלתי מאוישים (UAVs) לאסוף נתונים על תכונות ענן, משקעים, אינטנסיביות, לחות הקרקע, טמפרטורת פני הקרקע, וטופוגרפיה. כאשר בשילוב עם תצפיות קרקעיות ומודלים מזג אוויריים מספרי, נתונים אלה מאפשרים, מדעני חירום, מנהלי חירום, ותנאים מסוכנים לאסונות זמנים, לחיזוי זמן, ואסונות מתקדמים.

מימון של נתונים מרחוק עבור רדת גשם

כדי לפקח ביעילות ולנבא סיכונים הקשורים לגשם, חיוני להבין את הסוגים השונים של נתונים מרחוק רגישים זמינים וכיצד כל אחד תורם לתמונה מקיפה של סביבת הסיכון.

צילום: Large-Scale Aאטמוספירה ו-Land Observation

לוויינים במסלול כדור הארץ נמוך (LEO) והמסלול הגיאוגרפי מספקים שרידים רצופים או תכופים על פני אזורים בעלי ערך אסון-פרון ( ⁇ ) וחיישנים אינפרא אדום על לוויינים כמו סדרת NOAA GOES-R, הדור השלישי של Meteosat האירופי, ויפן ’ הערכות של HEHAR-8 ללכוד את טמפרטורת הלוויינים בענן ואלפאדו, אשר משמשים לאמודות באמצעות אלגוריתמים כגון חיישנים מדויקים של RMFD) חיישנים מדויקים יותר (R) RMFRMIGNFRM (R) RMIGNFRMIGNFRMITERD) , , RMDUMST CIRECT CIRECT CIRECT CIRECT CIRECT CIRECT CIRECT CIRECT CIRECT CIRECT CIRECT CIRECT CIRECT CREO) , , , , , , , , , , , , , , , , , , , , , , , , , , , , RMFDUMST CIRST CIRST CIR

בנוסף לאמדנים של גשם, תמונות לוויין עוקבות אחר שינויים על פני הקרקע המשפיעים על הסיכון לאסון.חיישנים אופטיים כמו אלה על לנדסאט ו Sentinel-2 מזהים בריאות צמחייה, היקף המים על פני השטח וחשיפה לקרקע.לאחר אירוע מבול, חיישנים סינתטיים (SAR) (למשל, Sentinel-1, RADARSAT-2) יכולים לחדור לכיסוי ענן וליצור רזולוציה גבוהה בשיטפונות, אפילו למפות, אפילו למפות קריטיות, במהלך פעולות הצלה.

מזג אוויר רדאר: גשם מהיר ברזולוציה גבוהה

רשתות מכ"ם מבוססות קרקע, כגון מערכת NEXRAD ומערכת מכ"ם האיחוד האירופי METNET המורכבת, לספק משקעים עתירי-פתרונות גבוהים בקנה מידה של 1 –2 ק"מ עם עדכונים כל 5 – 10 דקות. Radar מודד את הרדאר של הידרומטרורים, אשר יכול להיות מומר לתוך גשמים באמצעות מערכות יחסים ZR מותפלות.

נתונים רדאר הם בעלי ערך במיוחד עבור תחזית לטווח קצר (העתקה) של עוצמת הגשמים והתנועה. Algorithms כגון מקגיל אלגואטרם עבור Precipitation Nowcasting על ידי אקסטרפולציה (MAPLE) להשתמש בתנועות מכ"ם-דרדרות כדי לחזות שדות גשם עד שלוש שעות קדימה.

מידע מקורי: Assessing Landslide Susceptibility

גילוי אור ו Ranging (LiDAR) רכוב על מטוסים או רחפנים מודדים גובה שטח עם דיוק בקנה מידה סנטימטר.מודלים גבוהים של גבהים דיגיטליים (DEMs) שמקורם LiDAR חושף תכונות טופוגרפיים עדין כגון צלקות, מדרונות convex ו מסלולי ניקוז המצביעים על סיכון מפולת אדמה.

יתר על כן, סקרי LiDAR חוזרים יכולים לזהות עיוות פני השטח לאורך זמן, כגון צץ על גבעות לא יציבות, מתן התראה מוקדמת של כישלון מתקרב.טכניקה זו שימשה בהצלחה במעקב אחר מפולת הגולגולת בקולורדו ואת La Conchita מפולות בקליפורניה.

מקורות נתונים נוספים: GNSS, Soil Moisture ו-Precipitation Gaugeאינטגרציה

רשתות לוויין ניווט גלובליות (GNSS) מספקות עמדות מדויקות שיכולות לזהות תנועה קרקעית הנגרמת על ידי מפולות אדמה או תת-קרקעיות. Soil לחות נתונים מחיישנים לווייניים כמו SMAP (Soil Moisture Active Passive) ו SMOS (Soil Moisture ו- Ocean Salinity) מצביעים על כמה גשם הקרקע יכול לספוג לפני הפעלתם.

מעקב אחר רדת גשם וחיזוי אסונות: שיטות וזרימות עבודה

הנתונים הגולמיים מפלטפורמות חשונות מרחוק חייבים לעבור עיבוד מתוחכם כדי להפוך למידע מעשי לחיזוי אסון.זה כרוך בהטמעת נתונים למזג אוויר מספרי או מודלים הידרולוגיים, אלגוריתמי למידת מכונה שלמדו מתבניות היסטוריות, וניתוח גיאו-ספלימי הממפה אזורי סיכון.

מידע על תחזית מזג אוויר נומרית

הטמעת נתונים משלבת תצפיות מתוחכמות בזמן אמת עם תחזית מודל לטווח קצר לייצר הערכה אופטימלית של מצב האווירה.טכניקות כגון וריאציות תלת מימדיות (3D-Var) והרכב Kalman סינון משלב רדיונים לווייניים, רפלקטיבות מכ"ם, ו GPS מים עמידים בדגמים של מזג אוויר תפעוליים כמו מערכת חיזוי גלובלי (GFS) או מרכז החיזוי הטרופי של תחזיות קיצוניות (MW) במיוחד עבור תחזיות משולבות) ומערכת מחזורית (MW-אווירית) באופן משמעותי של מערכות אקלים משולבות (MW-אווירית) באופן משמעותי).

Machine Learning for Rainfall Estimation and Landslide

אלגוריתמי למידת מכונות פיתחו את הדרך שבה נתונים רגישים מרחוק משמשים לחיזוי אסון הגשם.רשתות עצביות מהפכתיות (CNN) החלים על צילום לווייני יכולים לזהות דפוסים הקשורים לסערות נוקשות ומייצרים הערכות של משקעים ברזולוציה גבוהה.רשתות עצביות חוזרות ונשנות (RNN) ומודלים זיכרון לטווח קצר (LSTMs) ללמוד תלות זמנית מכ"ם לתקופה של זמן לחיזוי גשם מוקדם, לסוללות מהירות, למזג אוויריות, ולשלב דיוק מפוארים מפוזרים.

דוגמה מצוינת היא פרויקט למידת מכונה בשם LHASA (הנדסה של NASA) המפולת של הערכת מצב (FLT:0) פרויקט 1:1, אשר משתמש מסגרת למידת מכונה בשם LHASA (ההערכה של לנדפולת החשארד עבור מודעות מצבית) LHASA משלבת את המשקעים GPM עם מפת רגישות גלובלית (הדרדרדרדרדרדרדרדרדר, גיאולוגיה וכיסוי הקרקע) למקריות בזמן אמת) למשקעים מפולות על פני האדמה.

מערכות אזהרה מוקדמת: מהנתונים לפעולה

מעקב יעיל וחיזוי מגיעים לשיאם במערכות התראה מוקדמות המתקשרות סיכון לאוכלוסיות פגיעות.הארגון המטאורולוגי העולמי (WMO) תומך באזהרות מוקדמות המבוססות על השפעה, שאינן עולות על תחזיות פשוטות לתאר את ההשלכות הצפויות של סיכון.לדוגמה, אזהרה מבולעת עלולה להיות מדינה: “ גשם כבד של 100 מ"מ ב -6 שעות הוא תחזית באגן הנהר הכחול, אשר יגרום כבישים להיות מוצפים ל-1 מ"מ ל מזהמים; ב מזהמים, כמו , כמו קרינת מים, או קרינת חירום, ב , ב , ב , 2 מלמטה, כלומר, 2.

במדינות מתפתחות, שבהן רשתות תצפית קרקעיות הן אזהרות מוקדמות מבוססות לוויין ממלאות פערים קריטיים.רשת מערכות האזהרות המוקדמת של Famine (FEWS NET) משתמשת בהערכות לוויינים כדי לפקח על הבצורת והשיטפונות ברחבי אפריקה ומרכז אמריקה, ומספקת זמנים מובילים המאפשרים תגובה הומניטרית.

אתגרים בשימוש מרחוק סאנסינג לחורף רדוף

למרות ההתקדמות המהירה, כמה אתגרים מתמידים מגבילים את יעילות החישה מרחוק לחיזוי אסון הגשם.

החלטה מעשית ומרחבית מול דמוקרטיה

מוצרי משקעים לווייניים כמו GPM IMERG יש החלטה של 10 ק"מ והם מעודכנים כל 30 דקות, אשר מספיק עבור אגן גדול אבל לא מספיק עבור קליטורים קטנים, בזק-קרקע או אזורים עירוניים שבהם זמינות מרחבית גבוהה. Radar מספק פתרון עדין יותר (1 –2 ק"מ) אבל סובל מחסימת שטח הררי וסימן גבוה בגשם כבד, יש רק כיסוי שטח אופטי, וכיסוי שטח מוגבל, יש צורך שטח מוגבל, ורזולוציה גבוהה, יש צורך שטח מוגבל, רק כדי לקבל טיפול שטח מוגבל, 000.

כיסוי ענן והפרעה אטמוספרית

חיישני אופטיים ואדום פסיביים אינם יכולים לראות דרך עננים עבים, שהם בדיוק התנאים המייצרים גשמים קיצוניים. חיישנים פעילים כמו SAR יכולים לחדור עננים, אבל פרשנות נתונים SAR מורכבת ולעתים קרובות דורש מומחיות מיוחדת במיקרוגל יכול לראות דרך רוב העננים אבל יש פתרון קוסר והם פחות מדויקים על שלג, קרח, וטופוגרפיה מורכבת.שלב חיישנים מרובים באמצעות היתוך נתונים יכול להפחית את המגבלות הללו, אבל מציג אתגרים בשגיאה וטעימה.

דרישות תאימות ותשתית

עיבוד כמויות גדולות של נתונים לווייניים ורדאר דורש משאבים חישוביים משמעותיים, כולל אשכולות מחשוב בעלי ביצועים גבוהים ואחסון בענן.מדינות מתפתחות רבות חסרות את תשתית ה-IT הדרושה, אנשי צוות מאומן וקישוריות אינטרנט אמינה להפעלת מוצרים מתקדמים לחישה מרחוק.

חוסר ודאות ואימות

כל ההערכות הנחושות מרחוק יש אי-ודאות מהותית.אלגוריתמים של אלגוריתמים של מאגרי גשם של לווין מבצעים באופן שונה באקלים שונים (למשל, טרופי לעומת צחיח), וההמרות של גשם מכ"ם תלויות בהתפלגות גודל הירידה, המשתנה עם סוג סערה. אימות נגד תצפיות קרקעיות הוא חיוני אך לעיתים קרובות מוגבל כי מדפי גשם הם ספארי באזורים רבים.

כיוונים עתידיים: חדשנות נהיגה מעקב אחר מעקב אחר גלדיאטור

תחום החישה מרחוק לניטור אסון הגשם מתפתח במהירות, עם כמה התפתחויות מבטיחות באופק.

קונסולות לוויין קטנות ו- Dense Temporal Sampling

חברות כמו Planet, Spire ו- Capella Space פועלות קבוצות של עשרות עד מאות לווינים קטנים (CubeSats) המספקות מדי יום או אפילו שעות של התחדשות ברזולוציה בקנה מידה מטר. קבוצות אלה יכולות ללכוד את האבולוציה של מערכות סערות ומהירויות מצפות עם צפיפות זמן חסרת תקדים.המשימה של נאס"א-סרוס (NI) הקרובה לשלב L-band ו-S-band כדי לפקח על פני האדמה, כולל שינויים גבוהים עם 12 ימים.

אינטליגנציה מלאכותית ו-Time Analytics

מודלים למידה עמוקה הופכים יעילים יותר ויכולים לפעול כעת על גבי מכשירים, המאפשר עיבוד בזמן אמת של צילום לווייני ישירות על החללית או בתחנות קרקע.זה מקטין את הגמישות ומאפשר אזהרות מוקדמות להימסר בתוך דקות של רכישת נתונים.טכניקות AI מוסברות מפותחות גם כדי לעזור לחיזויים להבין מדוע מודל צופה אירוע מסוים, הגדלת האמון והיכולת שלנו בהגדרות תפעוליות.

מערכות אזהרה מוקדמת מרובות-הזארד

מערכות עתידיות ישלבו נתונים של גשם עם מידע סיכון אחר (למשל, פונדקאות סערה, רוח, שריפות בר) כדי לספק הערכות סיכון מקיפים.מערכת התראה גלובלית של WMO ’s Global Multi-hazard מערכת (GMAS) שואפת לשלב נתונים מכל המקורות אמינים לממשק התראה יחיד.

מסקנה

נתונים מרוחקים הפכו כלי חיוני לניטור ולחיזוי אסונות הקשורים לגשם.מדמיון לוויין שעוקב אחר לידתם של רוכבי אופניים טרופיים למכ"ם שמזהירים את הצפות המתקרבות, ומלידרונות בלתי יציבים למכונות למידה שמטפות אלגוריתמים של נתונים לאלגוריתמים יעילים יותר, אך הטכנולוגיה ממשיכה לדחוף את הגבולות של מה שניתן להפחתה של בעיות אבטחה ופתרונות מתקדמים יותר, אך לא ניתן להשיג גישה לערעורכותרות, אלא גם לערעורכותרות מידע מלאכותיות, אלא גם לערעורכותרות, ולא לאפשרות, אלא גם לערכם, אלא גם לערעורכותרות אבטחה, אלא גם לערכם, אלא גם לערכם, לערעורכות, לערכם, לערכם, לערעורכותרות אבטחה יעילות יותר, לערכם, לערכם, לערכם, לערעורכותרות אבטחה, לערעורכות, לערעורכות, לערעורכות, לערעורכותרות אבטחה, לערכם, לערעורכות, לערעורכותרות אבטחה, ולא לאפשרות, אלא גם לערעורכות, לערעורכותרות מידע, לערעורכותרות יעילות יותר, אלא גם לער