Técnicas inteligentes para a identificação e monitoramento de fenômenos meteorológicos que possam afetar a segurança do vôo
DOI:
https://doi.org/10.18667/cienciaypoderaereo.559Palavras-chave:
Sistemas de controle de ar, análise meteorológica, inteligência artificial, imagens de satélite, sistemas de próxima geração, ATC, segurança aérea, risco meteorológico, cumulonimbus, cluster de torre, gerenciamento de risco aéreoResumo
Na aviação, os fenômenos meteorológicos são um dos aspectos mais importantes a ter em conta em todas as etapas do vôo, do planejamento ao pouso. O desenvolvimento de sistemas de previsão do tempo aplicados à aviação pode apoiar o processo de tomada de decisão de controladores e pilotos de tráfego aéreo, facilitando a análise de variáveis meteorológicas e fornecendo uma primeira interpretação disponível para todos os usuários do sistema de ar .Por esta razão, o Centro de Desenvolvimento Tecnológico para a Defesa (CETAD) tem como objetivo principal neste documento descrever os resultados do desenvolvimento de uma metodologia sistematizada que utiliza técnicas inteligentes para a detecção, identificação e monitoramento de qualquer tipo de treinamento que, devido às suas características pode representar um risco para a aviação, gerando, por sua vez, informações de suporte para o controlador de tráfego aéreo.
Para isso, é necessário primeiro identificar as formações convectivas, classificá-las, filtrar o ruído e individualizá-las. Este tipo de processo pode ser automatizado através da análise inteligente de produtos disponíveis em qualquer sistema de ar, como imagens de satélite multispectral.
Após uma identificação, um grupo de características deve ser determinado que permite o desenvolvimento de algoritmos eficientes capazes de rastrear o comportamento da formação convectiva, o que permite gerar previsões das características dos sistemas convectivos no curto prazo, para o qual é necessário Conheça outras variáveis como o vento nas áreas de análise.
Este tipo de aplicações integradas aos sistemas de controle de tráfego aéreo reduziria os riscos devidos a fatores meteorológicos.
Downloads
Referências
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.
Downloads
Publicado
Edição
Seção
Licença
Declaração de cessão de direitos autorais à revista
O autor cede exclusivamente à Revista os direitos de exploração (reprodução, distribuição, comunicação pública e transformação) para explorar e comercializar a obra, no todo ou em parte, em todos os formatos e modalidades de exploração presentes ou futuros, em todas as línguas, por todo o período de vida da obra e pelo mundo inteiro.
Todo o conteúdo publicado na revista científica Ciencia y Poder Aéreo está sujeito à licença de reconhecimento internacional Creative Commons 4.0, cujo texto completo pode ser encontrado em http://creativecommons.org/licenses/by/4.0/
A licença permite que qualquer usuário baixe, imprima, extraia, arquive, distribua e comunique publicamente este artigo, desde que seja dado o devido crédito aos autores: ao(s) autor(es) do texto e a Ciencia y Poder Aéreo, Revista da Escola de Pós-Graduação da Força Aérea Colombiana. Exceto quando for indicado o contrário, o conteúdo deste site será licenciado sob uma licença Creative Commons Attribution 4.0 Internacional.
Para usos de conteúdo não previstos nestas normas de publicação é necessário entrar em contato diretamente com o diretor ou editor da revista através do e-mail cienciaypoderaereo1@gmail.com
A Escola de Pós-Graduação da Força Aérea Colombiana e esta revista não são responsáveis pelos conceitos expressos nos artigos, nem pelos metadados fornecidos ou pelas afiliações que os autores declarem, sendo assim de inteira responsabilidade dos autores.
Licença Creative Commons
Os autores concedem à revista os direitos de exploração (reprodução, distribuição, comunicação pública e transformação) para explorar e comercializar a obra, inteira ou parcialmente, em todos os formatos e modalidades de exploração presentes ou futuras, em todas as línguas, por todo o período de vida da obra e no mundo inteiro.
Todos os conteúdos publicados na revista científica Ciencia y Poder Aéreo estão sujeitos à licença de reconhecimento 4.0 4.0 Internacional de Creative Commons, cujo texto completo pode-se consultar em http://creativecommons.org/licenses/by/4.0/
A licença permite a qualquer usuário baixar, imprimir, extrair, arquivar, distribuir e comunicar publicamente um artigo, desde que seja dado crédito aos autores do trabalho: aos autores do texto e a Ciencia y Poder Aéreo, Revista Científica da Escola de Pós-Graduação da Força Aérea Colombiana. Salvo onde for indicado o contrário, o conteúdo deste site é licenciado sob uma licença Creative Commons Atribución 4.0 internacional.
Para usos de conteúdo não previstos nestas normas de publicação é necessário entrar em contato diretamente com o diretor ou editor da revista através do e-mail cienciaypoderaereo1@gmail.com
A Escola de Pós-Graduação da Força Aérea Colombiana e esta revista não são responsáveis pelos conceitos expressos nos artigos, nem pelos metadados fornecidos ou pelas afiliações que os autores declarem, sendo assim de inteira responsabilidade dos autores.
