Técnicas de aprendizado de máquina dinâmico aplicadas à fusão de dados GEO-IR e LEO-micro-ondas para melhorar o monitoramento e previsão da convecção severa - HazMap4D

Resumo

Para o monitoramento do tempo severo nos trópicos em tempo real, os satélites geoestacionários fornecem as melhores estimativas de temperaturas dos topos das nuvens (IR) com alta resolução espacial e temporal, sem qualquer informação específica sobre o desenvolvimento real sob os topos dessas nuvens. Radiômetros no comprimento de onda das micro-ondas (MW) a bordo de satélites de orbita baixa (LEO) têm informações mais específicas, mas apenas nos comprimentos de onda mais curtos a convecção mais profunda pode ser resolvida espacialmente devido ao tamanho dos pixeis nessas frequências. Novas metodologias desenvolvidas recentemente no Jet Propulsion Laboratory (JPL), que combinam dados de micro-ondas passivas em altas frequências junto com dados de radar abordo de satélites (TRMM/PR e GPM/DPR), fornecem informações especificas sobre a o perfil de conteúdo de água em diferentes camadas das nuvens, o que torna essa informação uma peça fundamental para o conhecimento da evolução da convecção profunda sobre os trópicos. O objetivo principal deste projeto é, numa primeira etapa, combinar dados sobre o ciclo de vida das tempestades observadas no infravermelho térmico abordo de satélites geoestacionários com dados sobre a altura das nuvens, profundidade e conteúdo de água acima de um nível de referencia, obtidos a partir de satélites de orbita baixa com sensores em micro-ondas e, numa segunda etapa, produzir, para uma determinada tempestade, uma previsão a curtíssimo prazo combinando as informações disponíveis (IR + MW) utilizando técnicas de aprendizado de maquina. (AU)