Использование данных дистанционного зондирования для мониторинга и прогнозирования стихийных бедствий, связанных с осадками
Понимание связанных с осадками катастроф и необходимость расширенного мониторинга
Катастрофы, связанные с осадками, включая внезапные наводнения, наводнения в реках, оползни и потоки мусора, являются одними из самых разрушительных природных опасностей во всем мире. Только в 2022 году наводнения затронули более 57 миллионов человек во всем мире, вызвав экономические потери, превышающие 30 миллиардов долларов США (EM-DAT, CRED). По мере того, как изменение климата усиливает гидрологический цикл, экстремальные осадки становятся все более частыми и серьезными. Традиционные наземные датчики осадков и метеорологические станции обеспечивают измерения критических точек, но они не могут фиксировать пространственную изменчивость осадков в крупных регионах или в удаленной, труднодоступной местности. Именно здесь технология дистанционного зондирования вступает в действие, предлагая синоптический, повторяемый и все более высокий вид атмосферы и поверхности Земли.
Дистанционное зондирование относится к получению информации об объекте или явлении без физического контакта. В контексте мониторинга осадков датчики на борту спутников, самолетов и беспилотных летательных аппаратов (БПЛА) собирают данные о свойствах облаков, интенсивности осадков, влажности почвы, температуре поверхности земли и топографии. В сочетании с наземными наблюдениями и численными моделями прогнозирования погоды эти потоки данных позволяют ученым, руководителям чрезвычайных ситуаций и политикам отслеживать опасные условия в режиме реального времени и прогнозировать потенциальные катастрофы с повышением квалификации.
Основы дистанционного зондирования данных для применения при стихийных бедствиях при осадках
Для эффективного мониторинга и прогнозирования опасностей, связанных с осадками, важно понимать различные типы доступных данных дистанционного зондирования и то, как каждый из них способствует всестороннему представлению об опасной среде.
Спутниковые снимки: крупномасштабное наблюдение за атмосферой и поверхностью суши
Спутники на низкой околоземной орбите (LEO) и геостационарной орбите обеспечивают непрерывные или частые повторные посещения подверженных стихийным бедствиям регионов. Видимые и инфракрасные датчики на борту спутников, таких как серия NOAA GOES-R, Европейское третье поколение Meteosat и Химавари-8 Японии, захватывают температуру и альбедо на вершине облаков с помощью алгоритмов, таких как Конвективный Стратиформный Техник. Пассивные микроволновые датчики, такие как Микроволновый Измеритель осадков (GPM) Микроволновый Измеритель (GMI), могут проникать в облачные вершины, чтобы непосредственно измерять размер капли дождя и распределение, давая более точные накопления осадков над землей и океаном. Миссия GPM НАСА, основная спутниковая группировка, работает с 2014 года и обеспечивает оценки осадков почти каждые три часа при разрешении 10 км.
В дополнение к оценкам осадков спутниковые снимки отслеживают изменения поверхности суши, которые влияют на риск стихийных бедствий. Оптические датчики, такие как датчики на Landsat и Sentinel-2, обнаруживают здоровье растительности, степень поверхностной воды и воздействие почвы. После наводнения датчики радара с синтетической апертурой (SAR) (например, Sentinel-1, RADARSAT-2) могут проникать в облачный покров и генерировать карты затопления с высоким разрешением даже во время шторма. Эти карты имеют решающее значение для оценки ущерба и направления спасательных операций.
Погодный радар: ливень высокого разрешения
Наземные метеорологические радиолокационные сети, такие как система NEXRAD США и европейский радиолокационный композит EUMETNET, обеспечивают оценки осадков в высоком временном разрешении в масштабах 1–2 км с обновлениями каждые 5–10 минут. Радар измеряет отражательную способность гидрометеоров, которые могут быть преобразованы в скорость осадков с использованием хорошо откалиброванных отношений Z-R. Доплеровский радар также обнаруживает закономерности ветра, что позволяет идентифицировать мезоциклоны и тяжелые штормовые структуры, которые могут вызывать ливни, вызывающие внезапные наводнения.
Радарные данные особенно ценны для краткосрочного прогнозирования (сейчас) интенсивности осадков и движения. Алгоритмы, такие как алгоритм Макгилла для прогнозирования осадков путем экстраполяции (MAPLE), используют векторы движения, полученные с помощью радара, для прогнозирования полей осадков на три часа вперед. Эти теперьшние сигналы поступают в системы раннего предупреждения о наводнениях для небольших водосборных бассейнов, где время реагирования коротко. Однако радиолокационное покрытие ограничено в горных районах и над океанами, где пробелы должны заполняться спутниковыми данными или выходами числовой модели.
LiDAR и топографические данные: оценка восприимчивости к оползням
Светодиагностика и ранжирование (LiDAR), установленные на самолетах или БПЛА, измеряют высоту местности с точностью до сантиметра. Цифровые модели высот (DEM) высокого разрешения, полученные из LiDAR, раскрывают тонкие топографические особенности, такие как шрамы, выпуклые склоны и дренажные пути, которые указывают на риск оползня. В сочетании с порогами интенсивности осадков и продолжительности наклона на основе LiDAR, модели устойчивости наклона могут идентифицировать склоны, которые могут потерпеть неудачу во время тяжелых осадков. Геологическая служба США использует LiDAR DEM в своих оценках восприимчивости к оползню для опасностей после лесного пожара.
Кроме того, повторные исследования LiDAR могут обнаруживать деформацию поверхности с течением времени, например, ползание по нестабильным склонам холмов, обеспечивая раннее предупреждение о неизбежном сбое. Эта техника успешно использовалась при мониторинге оползня трущоб в Колорадо и оползней Ла Кончита в Калифорнии.
Дополнительные источники данных: GNSS, влажность почвы и интеграция с осадками
Сети глобальной навигационной спутниковой системы (GNSS) обеспечивают точные позиции, которые могут обнаруживать движение грунта, вызванное оползнями или оседанием. Данные о влажности почвы от спутниковых датчиков, таких как SMAP (активная пассивная влажность почвы) и SMOS (влажность почвы и соленость океана), указывают, сколько дождевой воды может поглотить земля до того, как произойдет стоок. Интегрируя эти потоки данных с дождевыми датчиками in situ, гидрологи могут калибровать и проверять продукты дистанционного зондирования, улучшая их точность в различных климатах.
Мониторинг осадков и прогнозирование стихийных бедствий: методы и рабочие процессы
Необработанные данные с платформ дистанционного зондирования должны пройти сложную обработку, чтобы стать действенной информацией для прогнозирования стихийных бедствий. Это включает в себя ассимиляцию данных в численные погодные или гидрологические модели, алгоритмы машинного обучения, которые учатся на исторических образцах, и геопространственный анализ, который отображает зоны опасности.
Ассимиляция данных для численного прогнозирования погоды
Ассимиляция данных сочетает в себе наблюдения дистанционного зондирования в реальном времени с прогнозом модели на коротком расстоянии для получения оптимальной оценки состояния атмосферы. Такие методы, как трехмерная вариационная (3D-Var) и фильтрация ансамбля Калмана, включают спутниковые излучения, радиолокационные отражения и осадки GPS в эксплуатационные погодные модели, такие как Глобальная система прогнозирования погоды (GFS) или Интегрированная система прогнозирования погоды Европейского центра среднего уровня (ECMWF). Это значительно улучшает навыки прогнозирования осадков, особенно для тропических циклонов и мезомасштабных конвективных систем, которые приводят к экстремальным осадкам.
Машинное обучение для оценки осадков и прогнозирования оползней
Алгоритмы машинного обучения произвели революцию в способе использования данных дистанционного зондирования для прогнозирования осадков. Свёрточные нейронные сети (CNN), применяемые к спутниковым снимкам, могут распознавать закономерности, связанные с конвективными штормами, и производить оценки осадков с высоким разрешением. Рекуррентные нейронные сети (RNN) и модели с длинной краткосрочной памятью (LSTM) изучают временные зависимости от радиолокационных временных рядов для прогнозирования накопления осадков за несколько часов до их начала. Для прогнозирования оползней модели случайного лесного и градиентного повышения интегрируют топографические данные, влажность почвы и данные осадков для создания карт восприимчивости с высокой точностью.
Отличным примером является проект NASA Landslide Hazard Assessment, в котором используется система машинного обучения под названием LHASA (Landslide Hazard Assessment for Situational Awareness). LHASA объединяет оценки осадков GPM с глобальной картой восприимчивости (производной от склона, геологии и земельного покрова) для выпуска предупреждений в реальном времени о оползнях, вызванных осадками. Система работает ежедневно и была проверена на основе исторических запасов оползней.
Системы раннего предупреждения: от данных к действию
Эффективный мониторинг и прогнозирование достигают высшей точки в системах раннего предупреждения, которые сообщают о риске уязвимым группам населения. Всемирная метеорологическая организация (ВМО) выступает за основанные на воздействии ранние предупреждения, которые выходят за рамки простых прогнозов для описания ожидаемых последствий опасности. Например, предупреждение о наводнении может указывать: “Осадки в 100 мм за 6 часов прогнозируются в бассейне Голубой реки, что приведет к затоплению дорог на глубине до 1 метра в низменных районах. Жители должны эвакуироваться к 2 часам вечера. ” Данные дистанционного зондирования подают непосредственно в модели, которые генерируют эти заявления о воздействии, такие как индекс экстремального прогнозирования ECMWF &rsquo или программа Национальной службы погоды США &rsquo.
В развивающихся странах, где наземные сети наблюдения являются скудными, спутниковое раннее предупреждение заполняет критические пробелы. Сеть систем раннего предупреждения о голоде (FEWS NET) использует спутниковые оценки осадков для мониторинга засух и наводнений в Африке и Центральной Америке, обеспечивая время, которое позволяет гуманитарную помощь.
Проблемы использования дистанционного зондирования для мониторинга осадков
Несмотря на быстрый прогресс, некоторые постоянные проблемы ограничивают эффективность дистанционного зондирования для прогнозирования осадков.
Пространственное и временное разрешение против точности
Спутниковые продукты осадков, такие как GPM IMERG, имеют разрешение 10 км и обновляются каждые 30 минут, что является достаточным для больших бассейнов, но недостаточным для небольших, подверженных вспышкам наводнений водосборных бассейнов или городских районов, где высокая пространственная изменчивость. Радар обеспечивает более точное разрешение (1–2 км), но страдает от закупорки луча в горной местности и ослабления сигнала при сильных дождях. Лидар и оптические изображения высокого разрешения покрывают только ограниченные области и дорого приобретаются часто. Существует фундаментальный компромисс между пространственным покрытием, временным обзором и точностью измерения, которая должна управляться для каждого приложения.
Облако и атмосферные помехи
Пассивные оптические и инфракрасные датчики не могут видеть сквозь толстые облака, которые являются именно условиями, которые производят экстремальные осадки. Активные датчики, такие как SAR, могут проникать в облака, но интерпретация данных SAR сложна и часто требует специализированного опыта. Микроволновые датчики могут видеть через большинство облаков, но имеют более грубое разрешение и менее точны по снегу, льду и сложной топографии. Объединение нескольких датчиков через слияние данных может смягчить эти ограничения, но создает проблемы в калибровке и распространении ошибок.
Требования к вычислительной и инфраструктуре
Для обработки больших объемов спутниковых и радиолокационных данных требуются значительные вычислительные ресурсы, включая высокопроизводительные вычислительные кластеры и облачные хранилища. Многие развивающиеся страны не имеют необходимой ИТ-инфраструктуры, обученного персонала и надежного подключения к Интернету для внедрения передовых продуктов дистанционного зондирования. Международные партнерства, такие как Глобальное партнерство по наводнению и деятельность Комитета по спутникам наблюдения за Землей (CEOS), работа по передаче технологий и созданию потенциала, но пробелы остаются.
Неопределенность и валидация
Все оценки дистанционного зондирования имеют присущие неопределенности. Алгоритмы поиска осадков на спутниках работают по-разному в разных климатических условиях (например, тропический и засушливый), а конверсия скорости дождя на радарах зависит от распределения размера падения, которое варьируется в зависимости от типа шторма. Валидация против наземных наблюдений имеет важное значение, но часто ограничена, поскольку датчики дождя во многих регионах редки. Квантификация неопределенности является активной областью исследований, при этом байесовские и ансамблевые подходы интегрируются в эксплуатационные продукты.
Будущие направления: инновации, ведущие мониторинг следующего поколения
Область дистанционного зондирования для мониторинга осадков быстро развивается, и на горизонте есть несколько перспективных разработок.
Малые спутниковые созвездия и плотный выборочный отбор
Такие компании, как Planet, Spire и Capella Space, управляют созвездиями из десятков и сотен небольших спутников (CubeSats), которые обеспечивают ежедневные или даже ежечасные повторные посещения в масштабе метра. Эти созвездия могут захватывать эволюцию штормовых систем и протяженность наводнений с беспрецедентной временной плотностью. Предстоящая миссия SAR NASA-ISRO (NISAR) объединит L-диапазон и S-диапазон SAR для мониторинга изменений поверхности во всем мире каждые 12 дней, включая влажность почвы и затопление, с высокой чувствительностью к влажности.
Искусственный интеллект и аналитика в реальном времени
Модели глубокого обучения становятся все более эффективными и теперь могут работать на периферийных устройствах, позволяя обрабатывать спутниковые снимки в режиме реального времени непосредственно на борту космических аппаратов или на наземных станциях. Это снижает задержку и позволяет выдавать ранние предупреждения в течение нескольких минут после сбора данных. Разрабатываются также объяснимые методы ИИ, чтобы помочь синоптикам понять, почему модель предсказывает определенное событие, повышая доверие и удобство использования в операционных настройках.
Интегрированные системы раннего предупреждения о многих опасностях
Будущие системы будут интегрировать данные о количестве осадков с другой информацией об опасности (например, штормовой нагоне, ветре, лесных пожарах) для обеспечения всеобъемлющей оценки рисков. Рамочная программа Глобальной системы предупреждения о множественных опасностях (GMAS) ВМО направлена на объединение данных из всех надежных источников в единый интерфейс оповещения. Аналогичным образом Управление Организации Объединенных Наций по уменьшению опасности бедствий (UNDRR) способствует использованию раннего предупреждения, учитывающего воздействие и уязвимость, с использованием дистанционного зондирования для картирования распределения населения, инфраструктуры и землепользования.
Заключение
Данные дистанционного зондирования стали незаменимым инструментом для мониторинга и прогнозирования бедствий, связанных с осадками. От спутниковых снимков, отслеживающих рождение тропических циклонов, до радаров, предупреждающих о неизбежных внезапных наводнениях, и от LiDAR, который отображает нестабильные склоны, до алгоритмов машинного обучения, которые объединяют разрозненные потоки данных в действенную информацию и т. Д. Технология продолжает раздвигать границы того, что возможно в уменьшении риска бедствий. В то время как проблемы разрешения, облачного покрова и доступа сохраняются, продолжающиеся достижения в небольших спутниковых группировках, искусственном интеллекте и международном сотрудничестве обещают сделать эти возможности спасения жизни более доступными и эффективными во всем мире. Для сообществ, уязвимых к разрушительному воздействию экстремальных осадков, вид сверху предлагает не только данные, но и надежду.