Cronica

Mundo completo de noticias

El modelo de aprendizaje automático duplica la precisión del deslizamiento global de ‘lluvias’
Ciencias

El modelo de aprendizaje automático duplica la precisión del deslizamiento global de ‘lluvias’

IMAGEN: La imagen muestra un mapa de salida del peligro potencial de deslizamientos de tierra según el Modelo de Evaluación de Riesgos de Deslizamientos de Tierra (LHASA) de la NASA a junio de 2021. El rojo indica el riesgo más alto y el azul oscuro indica el más bajo … ver más

Crédito: Créditos: NASA

Cada año, los deslizamientos de tierra (el movimiento de rocas, tierra y escombros por una pendiente) causan miles de muertes, miles de millones de dólares en daños e interrupciones en carreteras y líneas eléctricas. Debido a que las características del terreno, las rocas y el suelo, el clima y el clima contribuyen a la actividad de deslizamientos de tierra, identificar las áreas con mayor riesgo de estos peligros en cualquier momento puede ser un desafío. Los sistemas de alerta temprana son generalmente regionales, basados ​​en datos específicos de la región proporcionados por sensores de suelo, observaciones de campo y totales de lluvia. Pero, ¿y si pudiéramos identificar áreas de riesgo en cualquier parte del mundo en cualquier momento?

Ingrese al modelo y herramienta de mapeo de la Evaluación Global de Riesgos de Deslizamientos de Tierra (LHASA) de la NASA.

La versión 2 de LHASA, publicada el mes pasado junto con la investigación correspondiente, es un modelo basado en aprendizaje automático que analiza una colección de variables individuales y conjuntos de datos derivados de satélites para producir «predicciones instantáneas» personalizables. Estas predicciones oportunas y específicas son estimaciones casi en tiempo real de la actividad potencial de deslizamientos de tierra para cada área de 1 kilómetro cuadrado entre los polos. El modelo tiene en cuenta la pendiente del terreno (las pendientes más altas son más propensas a deslizamientos de tierra), la distancia a las fallas geológicas, la composición de la roca, las precipitaciones pasadas y presentes, y los datos derivados de la humedad del suelo y la masa de nieve del satélite.

READ  Oleander Reagan-Artemis, recién graduada de la UTC, recibe el prestigioso premio Fulbright

«O modelo processa todos esses dados e produz uma estimativa probabilística de risco de deslizamento na forma de um mapa interativo», disse Thomas Stanley, cientista da Associação de Pesquisas Espaciais de Universidades do Goddard Space Flight Center da NASA em Greenbelt, Maryland, que liderou la búsqueda. «Esto es valioso porque proporciona una escala relativa de riesgo de deslizamiento de tierra, en lugar de simplemente decir que existe o no riesgo de deslizamiento de tierra. Los usuarios pueden definir su área de interés y ajustar las categorías y el umbral de probabilidad para satisfacer sus necesidades».

Para «enseñar» el modelo, los investigadores insertan una tabla con todas las variables relevantes de deslizamientos de tierra y muchos sitios que han registrado deslizamientos de tierra en el pasado. El algoritmo de aprendizaje automático toma la tabla y prueba diferentes escenarios y posibles resultados, y cuando encuentra el que se ajusta a los datos con mayor precisión, genera un árbol de decisiones. Luego identifica los errores en el árbol de decisiones y calcula otro árbol que corrige esos errores. Este proceso continúa hasta que el modelo ha «aprendido» y mejorado 300 veces.

«El resultado es que esta versión del modelo es casi dos veces más precisa que la primera versión del modelo, lo que la convierte en la herramienta de pronóstico global más precisa disponible», dijo Stanley. «Aunque la precisión es mayor, generalmente del 100%, para los grandes deslizamientos de tierra provocados por ciclones tropicales, ha mejorado significativamente en todos los inventarios».

La versión 1, lanzada en 2018, no era un modelo de aprendizaje automático. Combinó datos de precipitación satelital con un mapa global de susceptibilidad a deslizamientos de tierra para producir sus predicciones. Hizo sus predicciones utilizando un árbol de decisiones basado en gran parte en los datos de lluvia de la semana anterior y categorizó cada celda en la cuadrícula como de riesgo bajo, moderado o alto.

READ  ¿Los israelíes están felices o simplemente satisfechos con la vida? - opinión

«En esta nueva versión, tenemos 300 árboles con cada vez mejor información en comparación con la primera versión, que se basó en un solo árbol de decisiones», dijo Stanley. «La versión 2 también incorpora más variables que su predecesora, incluida la humedad del suelo y los datos de la masa de nieve».

En términos generales, el suelo solo puede absorber una cierta cantidad de agua antes de que se sature y, combinado con otras condiciones, presente un riesgo de deslizamiento de tierra. Al incorporar datos de humedad del suelo, el modelo puede discernir cuánta agua ya está presente en el suelo y cuánta lluvia adicional la empujaría más allá de ese umbral. Del mismo modo, si el modelo sabe cuánta nieve hay en un área determinada, puede tener en cuenta el agua adicional que ingresa al suelo a medida que la nieve se derrite. Estos datos provienen del satélite Soil Moisture Active Passive (SMAP), que es administrado por el Laboratorio de Propulsión a Chorro de la NASA en el sur de California. Fue lanzado en 2015 y proporciona una cobertura continua de humedad del suelo.

La versión 2 de LHASA también agrega una nueva función de exposición que analiza la distribución de carreteras y población en cada celda de la cuadrícula para calcular la cantidad de personas o infraestructura expuesta a peligros de deslizamientos de tierra. Los datos de exposición se pueden descargar e integrar en el mapa interactivo. Agregar este tipo de información sobre carreteras expuestas y poblaciones vulnerables a deslizamientos de tierra ayuda a mejorar la conciencia situacional y las acciones de las partes interesadas, desde las organizaciones internacionales hasta las autoridades locales.

Con base en años de investigación y aplicaciones, el programa de desastres de la NASA y las partes interesadas probaron la versión 2 de LHASA en situaciones del mundo real que llevaron a su lanzamiento formal. En noviembre de 2020, cuando los huracanes Eta e Iota azotaron América Central en un período de dos semanas, los investigadores que trabajaban con el programa Earth Applied Sciences Disasters de la NASA utilizaron la versión 2 de LHASA para generar mapas de riesgo de deslizamientos de tierra pronosticados en Guatemala y Honduras. Los investigadores superpusieron el modelo con datos de población a nivel de distrito para poder evaluar mejor la proximidad entre los peligros potenciales y las comunidades densamente pobladas. Los coordinadores del programa de desastres compartieron la información con las agencias de respuesta a emergencias nacionales e internacionales para brindar una mejor visión de los peligros al personal en el sitio.

READ  Estudiantes de Maestría en Ciencias Avanzadas | Escuela Médica de Harvard

Si bien es una herramienta útil para fines de planificación y mitigación de riesgos, Stanley dice que el modelo debe usarse con una perspectiva global en mente, en lugar de un sistema de alerta de emergencia local para cualquier área específica. Sin embargo, la investigación futura puede ampliar este objetivo.

«Estamos trabajando para incorporar un pronóstico de precipitación en la versión 2 de LHASA y esperamos que proporcione más información para la planificación y la acción anticipada antes de eventos de lluvia importantes», dijo Stanley. Un desafío, señala Stanley, es obtener un archivo suficientemente largo de datos de precipitación pronosticados del que el modelo pueda aprender.

Mientras tanto, los gobiernos, las agencias de socorro, los servicios de emergencia y otras partes interesadas (así como el público en general) tienen acceso a una poderosa herramienta de evaluación de riesgos en la versión 2 de LHASA.

###

Para obtener más información y acceder al mapa actual, visite:

https: //deslizamientos de tierra.nasa.gov /espectador

por Esprit Smith

Equipo de Noticias de Ciencias de la Tierra de la NASA

Descargo de responsabilidad: AAAS y EurekAlert! no son responsables de la precisión de los comunicados de prensa publicados en EurekAlert. por las instituciones contribuyentes o para el uso de cualquier información a través del sistema EurekAlert.

DEJA UNA RESPUESTA

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

"Creador malvado. Estudiante. Jugador apasionado. Nerd incondicional de las redes sociales. Adicto a la música".