Técnicas inteligentes para la identificación y el seguimiento de fenómenos meteorológicos que podrían afectar la seguridad de vuelo

Autores/as

  • Jimmy Anderson Florez Zuluaga Universidad Pontificia Bolivariana
  • Jesús Francisco Vargas
  • Juddy K. Reina

DOI:

https://doi.org/10.18667/cienciaypoderaereo.559

Palabras clave:

Sistemas de control de aire, análisis meteorológico, inteligencia artificial, imágenes satelitales, sistemas de próxima generación, ATC, seguridad aérea, riesgo meteorológico, cumulonimbus, cúmulo de la torre, gestión del riesgo del aire.

Resumen

En la aviación, los fenómenos meteorológicos son uno de los aspectos más importantes para tener en cuenta en todas las etapas de vuelo, desde la planificación hasta el aterrizaje. El desarrollo de sistemas de predicción meteorológica aplicados a la aviación puede apoyar el proceso de toma de decisiones de los controladores de tráfico aéreo y los pilotos, facilitando el análisis de las variables meteorológicas y proporcionando una primera interpretación a disposición de todos los usuarios del sistema aéreo.
Por esta razón el Centro de desarrollo Tecnológico para la Defensa (CETAD) tiene como principal objetivo en este documento describir los resultados del desarrollo de una metodología sistematizada que utiliza técnicas inteligentes para la detección, identificación y seguimiento de cualquier tipo de formación que por sus características pueda representar un riesgo para la aviación, generando a su vez información de soporte al controlador aéreo.
Para esto es necesario primero identificar las formaciones convectivas, clasificarlas, filtrar el ruido e individualizarlas. Este tipo de procesos pueden ser automatizados a través del análisis inteligente de productos disponibles en cualquier sistema aéreo como las imágenes satelitales multiespectrales.  
Posterior a una identificación, se deben determinar un grupo de características que permitan desarrollar algoritmos eficientes capaces de realizar un seguimiento del comportamiento de la formación convectiva, que permita generar pronósticos de las características de los sistemas convectivos en el corto plazo, para lo que se requiere conocer otras variables como el viento en las áreas de análisis.
Este tipo de aplicaciones integradas a los sistemas de control de tráfico aérea disminuirían los riesgos debidos factores meteorológicos.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Jimmy Anderson Florez Zuluaga, Universidad Pontificia Bolivariana
    Candidato a docotor en Telecomunicaciones Universidad Pontificia Bolivariana
    Magister en TIC
    Ing. Electronico UNAL - FAC

Referencias

Cheng, H. (2017) Cloud tracking using clusters of feature points for accurate solar irradiance nowcasting. Renew. Energy, vol. 104, pp. 281 -289.

https://doi.org/10.1016/j.renene.2016.12.023

Roy, C; Kovordányi, R. (2012) Tropical cyclone track forecasting techniques - A review. Atmos. Res., vol. 104-105, pp. 40-69.

https://doi.org/10.1016/j.atmosres.2011.09.012

Henke, D.; Smyth, R; Haffke, C. and Magnusdottir, G. (2012) Automated analysis of the temporal behavior of the double Intertropical Convergence Zone over the east Pacific. Remote Sens. Environ., vol. 123, pp. 418-433.

https://doi.org/10.1016/j.rse.2012.03.022

Sieglaffi J.; Cronce, L.; Feltz, W. (2014) Improving satellite-based convective cloud growth monitoring with visible optical depth retrievals. J. Appl. Meteorol. Climatol. 53(2). pp. 506-520.

https://doi.org/10.1175/JAMC-D-13-0139.1

Parikh, J.; DaPonte, J.; Vitale, J. and Tselioudis, G. (1999) An evolutionary system for recognition and tracking of synoptic-scale storm systems. Pattern Recognit. Lett. 20(11 -13). pp. 1389-1396.

https://doi.org/10.1016/S0167-8655(99)00110-5

Henken, C; Schmeits, M.; Deneke, H. and Roebeling, R. (2011) Using MSG-SEVIRI cloud physical properties and weather radar observations for the detection of Cb/TCu clouds. J. Appl. Meteorol. Climatol. 50(7). pp. 1587-1600.

https://doi.org/10.1175/2011JAMC2601.1

Yin, S.; Qian, Y. and Gong, M. (2017) Unsupervised Hierarchical Image Segmentation through Fuzzy Entropy Maximization. Pattern Recognit., vol. 68. pp. 245-259.

https://doi.org/10.1016/j.patcog.2017.03.012

Mahani, S.; Gao, X.; Sorooshian, S.; and Imam, B. (2000). Estimating cloud top height and spatial displacement from scan-synchronous GOES images using simplified IR-based stereoscopic analysis. J. Geophys. Res. Atmos. 105(D12). pp. 15597-15608.

https://doi.org/10.1029/2000JD900064

Rillo, V; Zoilo, A.; Mercogliano, R; and Galdi, C. (2015). Detection and forecast of convective clouds using MSG data for aviation support. 2nd IEEE Int. Work. Metrol. Aerospace, Me-troaerosp. 2015 - Proc., no. Cmcc, pp. 301 -305.

https://doi.org/10.1109/MetroAeroSpace.2015.7180672

Chethan, H.; Raghavendra, R.; and Hemantha, G. (2009). Texture Based Approach for Cloud Classification Using SVM. 2009 IEEE Int. Conf. Adv. RecentTechnol. Commun. Comput. (ARTCom '09), pp. 688-690.

https://doi.org/10.1109/ARTCom.2009.43

Flnke.C.; Butts, 1; Mills, R.;and Grlmalla.M. (2013). Enhancing the security of aircraft surveillance In the next generation air traffic control system. Int. J. Crlt. Infrastruct. Prot. 6(1). pp. 3-11.

https://doi.org/10.1016/j.ijcip.2013.02.001

Ahlstrom, U. (2005). Work domain analysis for air traffic controller weather displays. J. Safety Res. 36(2). pp. 159-169.

https://doi.org/10.1016/j.jsr.2005.03.001

Jeon, D.; Eun, Y.; and Kim, H. (2015). Estimation fusion with radar and ADS-B for air traffic surveillance. Int. J. Control. Autora Syst. 13(2). pp. 336-345.

https://doi.org/10.1007/s12555-014-0060-1

Ahlstrom, U. and Jaggard, E. (2010). Automatic Identification of risky weather objects In line of flight (AIRWOLF). Transp. Res. PartC Emerg.Technol. 18(2). pp. 187-192.

https://doi.org/10.1016/j.trc.2009.06.001

Ulfbratt, E.; and McConvIlle, J. (2008). Comparison of the SE-SAR and NextGen Concepts of Operations. NCOIC Aviat. IPT, vol. 1.0, p. 22.

Brooker, P. (2008). SESAR and NextGen: Investing in new paradigms. J. Navlg. 61 (2). pp. 195-208.

https://doi.org/10.1017/S0373463307004596

Martinez, J. (1998). El futuro de la gestión, la gestión del futuro. Dlr. y progreso, no. 160, pp. 82-86.

Cahill, J. (2016). A Safety Impact Quantification Approach for Early Stage Innovative Aviation Concepts Application to a Third Pilot Adaptive Automation Concept, no. November, 2016.

Capa, E. (2015) Universidad Politécnica De Madrid.

Ramírez-Fernández, S.; Llzarazo-Salcedo, I. (2014). Clasificación digital de masas nubosas a partir de Imágenes meteorológicas usando algoritmos de aprendizaje de maquina. Rev. Fac. Ing. 1(73). pp. 43-57.

Stone, M.;and Anderson, J. (1989). Advances ¡n prlmary-radar technology. Lincoln Lab. J., pp. 363-380.

Weber, M. (1986). Assessment of ASR-9 Weather Channel Performance : Analysis and Simulation.

Welpert, A.; Flannesen, R. (2008). Enhanced weather Information for air traffic controllers using comprehensive sensor and data assimilation procedures. Eur. Radar Conf., no. October, pp. 184-187.

Flarrlngton, J. (2009). Weather services In the NextGen Era. Aviat. Int. News, no. January, pp. 34-37.

McCrea, M.; Sherali, FI.; Tranl, A. (2008). A probabilistic framework for weather-based rerouting and delay estimations within an Airspace Planning model.Transp. Res. Part C Emerg. Technol. 16(4). pp. 410-431.

https://doi.org/10.1016/j.trc.2007.09.001

Wiggins, M. (2014). Differences In situation assessments and prospective diagnoses of simulated weather radar returns amongst experienced pilots. Int. J. Ind. Ergon. 44(1). pp. 18-23.

https://doi.org/10.1016/j.ergon.2013.08.006

Peak, J. and Tag, P. (1994). Segmentation of satellite Imagery using hierarchical thresholding and neural networks. Journa of Applied Meteorology, vol. 33. pp. 605-616.

https://doi.org/10.1175/1520-0450(1994)033<0605:SOSIUH>2.0.CO;2

Desbois, M.; Seze, G. and Szejwach, G. (1982). Automatic classification of clouds on Meteosat imagery - Application to high-level clouds. Journal of Applied Meteorology. 21 (3). pp. 401-412.

https://doi.org/10.1175/1520-0450(1982)021<0401:ACOCOM>2.0.CO;2

Azimi-Sadjadl, M.; and Zekavat, S. (2000). Cloud classification using support vector machines. IGARSS 2000. IEEE 2000 Int. Geosci. Remote Sens. Symp. Tak. Pulse Planet Role Remote Sens. Manag. Environ. Proc. (Cat. No.00CFI37120). vol. 2. pp. 669-671.

Bedard Jr., A. (2015). AVIATION METEOROLOGY | Aviation Weather Flazards, Second Edi., vol. 1. Elsevier.

https://doi.org/10.1016/B978-0-12-382225-3.00075-X

Senhaml. (1959). Guía De Meteorología General.

Smoot, D. (2015) Global Flidrology And Climate Center. [Online]. Available: https://weather.msfc.nasa.gov/GOES/satellite-description.html.

Zaccolo, M. (2002). Good Features to Track. Methods Mol. Biol. 178(Dec). pp. 255-8.

Shibata, M.; Yasuda, Y; and Ito, M. (2008). Moving object detection for active camera based on optical flow distortion. Proc. 17th World Congr., pp. 14720-14725.

https://doi.org/10.3182/20080706-5-KR-1001.02492

S. N. de M. e Flldrologla, Capitulo 13. Pronóstico Meteorológico. In: GUIA DE METEOROLOGIA GENERAL, pp. 1-16.

(2012) Manual del Sistema Mundial de Proceso de Datos y de Predicción.

Matas, J.; Galambos.C.; and Klttler, J. (2000). Robust Detection of Lines Using the Progressive Probabilistic Plough Transform. Comput. Vis. Image Underst. 78(1) pp. 119-137.

https://doi.org/10.1006/cviu.1999.0831

Puca, S.; Biron, D.; De Leonlbus, L; Rosci, R; and Zauli, F. Improvements on numérica I'object'detection and nowcasting of convective cell with the use of seviri data (ir and wv channels ) and neural technlqhes.

Descargas

Publicado

2017-12-06

Número

Sección

Seguridad Operacional y Logística Aeronáutica

Cómo citar

Técnicas inteligentes para la identificación y el seguimiento de fenómenos meteorológicos que podrían afectar la seguridad de vuelo. (2017). Ciencia Y Poder Aéreo, 12(1), 24-35. https://doi.org/10.18667/cienciaypoderaereo.559