Earth Sciences Technology Office (ESTO) の支援を受けて作成された TACLS は、機械学習を利用して、気象学者が大量のデータを分析する際に見逃してしまう可能性がある鉄砲水の接近の証拠 (大気中の水分の異常な増加) を自動的に検出します。 TACLS はこの証拠にフラグを立て、鉄砲水が発生する可能性がある場所を示し、人間のアナリストが解釈できるようにユーザーフレンドリーな視覚化を通じてこの情報を表示します。これらのアナリストは、洪水警報や気象警報を発令するかどうかを決定できます。
異常気象を監視し、差し迫った鉄砲水の予測を行うためのこの革新的なフレームワークは、ほぼリアルタイムで動作し、わずか 15 分で予測を生成します。
UCSDスクリップス海洋研究所の著名な研究者でTACLSの主任研究員であるイェフダ・ボック氏は、「これこそが私たちが本当にやりたかったことであり、洪水警報に関する決定を下すのに役立つツールを気象学者に提供することだった」と語った。
シミュレーション テストで、TACLS は、2017 年から 2023 年にかけての大気中の河川、モンスーンの対流、熱帯低気圧の残骸など、さまざまな悪天候のデータを使用し、洪水警報の 93 パーセントをキャッチすることに成功しました。米国立気象局の気象学者は現在、南カリフォルニアの既存の洪水予測システムに TACLS を統合することに取り組んでいます。
この学習システムには 2 つの主要なコンポーネントがあります。まず、分析バックエンド ソフトウェア スイートは機械学習アルゴリズムを使用して衛星データを処理し、洪水の危険がある地域を特定します。第 2 に、ユーザーフレンドリーな画像ソフトウェアは、人間によるさらなる分析のためにこれらの領域を強調表示します。
ACLS のバックエンド ソフトウェアは、世界中のナビゲーション サービスに電力を供給する衛星ネットワークのグループである全地球航法衛星システム (GNSS) の衛星からのデータを分析します。対流圏の水蒸気は、これらの衛星が地球に到達する際に信号を遅らせます。この信号遅延を分析して、地球上の特定の場所の大気中の水蒸気の量を計算できます。
TACLS 分析バックエンド パッケージには、30 年以上の過去の GNSS データを使用してトレーニングされた機械学習モデルが含まれています。このモデルは、大気中の湿度の異常な上昇を追跡する異常検出器です。次に、モデルは大気水分データを注意深く検査し、それがアーチファクト (データの誤った特徴や歪み) であるか、人間のアナリストによる解釈が必要な過渡現象 (大量の降水など、時間に敏感な物理的イベント) であるかを判断します。
TACLS が、データが洪水警報を正当化する異常気象などの一時的なものであると判断した場合、そのデータは TACLS の視覚化ソフトウェア (MGViz) に転送され、人間によるさらなる評価が行われます。アナリストは自らの判断と経験に基づいてこれらの事象を解釈し、フラグが立てられたデータが洪水の可能性を示しているかどうかを判断し、必要に応じて洪水警報を発令します。
JPL で開発された過去のイノベーションのいくつかは、TACLS によって GNSS データを処理し、結果を表示するために活用されています。分析バックエンド パッケージには、JPL の異常ドメイン ランキング アルゴリズム プログラムと時系列予測、推定、展開プログラムの要素が組み込まれています。 TACLS ビジュアライザは、もともと NASA の火星ミッションのために JPL で開発されたマルチミッション地理情報システムに基づいています。
TACLS ソフトウェアは、これらすべてのコンポーネントを革新的なシステム内で結び付け、既存の方法を改良して、人間のアナリストが洪水警報を発令するかどうかを判断するのにかかる時間を短縮します。
TACLS ソフトウェアとそのトレーニングに使用されるデータは両方ともオープンソースになるため、科学者は独自の研究ニーズに応じてこのモデルを適応させたり、独自のモデルをゼロから作成したりすることができます。
詳細については、NASA TechPort のこのプロジェクトのエントリを参照してください。
プロジェクトリーダー: カリフォルニア大学サンディエゴ校のイェフダ・ボック博士。
後援団体： NASA 地球科学技術局先端情報システム技術プログラム; JPL; NOAA;国立気象局。
