Fechar
Para visualizar este vídeo, ative o JavaScript e considere atualizar para um navegador da web que
suporte vídeo em HTML5
Uma análise visual a partir de uma execução de previsão de teste do TACLS usando dados de enchentes repentinas da semana do Natal de 2025. A imagem mostra probabilidades de aviso de inundação repentina (FFW) geradas pelo TACLS (em tons de vermelho) e sobrepostas a áreas que receberam avisos de inundação repentina do National Weather Service (em azul).
Crédito: UCSD Scripps Institution of Oceanography
Criado com apoio do NASA’s Earth Science Technology Office (ESTO), o TACLS utiliza aprendizado de máquina para localizar automaticamente evidências (aumentos incomuns de umidade atmosférica) de uma possível inundação repentina que meteorologistas poderiam deixar de notar ao analisar grandes volumes de dados. O TACLS sinaliza essa evidência, indica onde a inundação repentina poderia ocorrer com mais probabilidade e apresenta essas informações por meio de uma visualização amigável para analistas humanos interpretarem. Esses analistas então decidem se emitem um aviso de inundação repentina ou um alerta meteorológico.
Essa estrutura inovadora para rastrear eventos meteorológicos extremos e prever enchentes repentinas iminentes opera em quase tempo real, produzindo previsões em apenas quinze minutos.
“É exatamente isso que queríamos fazer: oferecer aos meteorologistas uma ferramenta para apoiar a tomada de decisão sobre avisos de inundação repentina”, disse Yehuda Bock, Pesquisador Distinto da UCSD Scripps Institution of Oceanography e principal investigador do TACLS.
Em simulações de teste, o TACLS usou dados de eventos meteorológicos severos diversos — incluindo rios atmosféricos, convecção monçônica e remanescentes de ciclones tropicais — entre 2017 e 2023 e conseguiu capturar 93% dos avisos de inundação repentina emitidos. Meteorologistas do National Weather Service estão atualmente trabalhando para incorporar o TACLS aos sistemas existentes para prever enchentes repentinas no sul da Califórnia.
---BLOCO---
Um ciclone faz desembarque ao longo da costa da Califórnia em 19 de novembro de 2024. O TACLS ajudará a dar às comunidades mais tempo para se preparar para condições meteorológicas severas iminentes.
Crédito: NASA
Esse sistema de aprendizado tem dois componentes principais. Primeiro, um conjunto de software analítico no back-end usa algoritmos de aprendizado de máquina para processar dados de satélite e determinar áreas com risco de inundação. Segundo, um software de visualização amigável destaca essas áreas para análise adicional por humanos.
O software back-end do ACLS analisa dados de satélites do Global Navigation Satellite System (GNSS), uma constelação de redes de satélites que impulsionam serviços de navegação em todo o mundo. O vapor d’água na troposfera atrasa os sinais desses satélites enquanto eles viajam até a Terra. Esse atraso do sinal pode ser analisado para calcular a quantidade de vapor d’água na atmosfera sobre uma localização específica na Terra.
O conjunto de software analítico back-end do TACLS inclui um modelo de aprendizado de máquina treinado com mais de 30 anos de dados passados do GNSS. Esse modelo é um detector de anomalias que acompanha aumentos incomuns de umidade atmosférica. Em seguida, ele examina cuidadosamente esses dados de umidade atmosférica e determina se se trata de um artefato (uma característica falsa ou uma distorção nos dados) ou de um evento transitório (um fenômeno físico sensível ao tempo, como precipitação intensa) que exige interpretação por analistas humanos.
Se o TACLS determinar que os dados representam um evento transitório — como um evento meteorológico extremo que justifica um aviso de inundação repentina — ele encaminha esses dados ao software de visualização do TACLS (MGViz) para avaliação adicional por humanos. Os analistas usam seu julgamento e experiência para interpretar esses eventos e determinar se os dados sinalizados indicam que uma inundação repentina é provável e, se necessário, emitir um aviso de inundação repentina.
Várias inovações anteriores desenvolvidas no JPL são aproveitadas pelo TACLS para processar dados do GNSS e apresentar os resultados. O conjunto de software analítico back-end incorpora elementos do programa Domain-agnostic Outlier Ranking Algorithms do JPL e do programa Time-series Forecasting, Evaluation, and Deployment. O visualizador do TACLS é baseado no Multi-Mission Geographic Information System, originalmente desenvolvido no JPL para as missões de Marte da NASA.
O software do TACLS reúne todos esses componentes em um sistema inovador que aprimora métodos existentes para reduzir a quantidade de tempo necessária para que um analista humano determine se deve emitir um aviso de inundação repentina.
Tanto o software do TACLS quanto os dados usados para treiná-lo serão de código aberto, permitindo que cientistas ajustem esse modelo em resposta às suas necessidades específicas de pesquisa ou criem seu próprio modelo do zero.
Para mais detalhes, veja a entrada deste projeto no NASA TechPort.
Líder do Projeto: Dr. Yehuda Bock, University of California, San Diego.
Organização(ões) patrocinadora(s): NASA’s Earth Science Technology Office Advanced Information Systems Technology Program; JPL; NOAA; National Weather Service.
