La misma técnica de inteligencia artificial que se usa típicamente en los sistemas de reconocimiento facial podría ayudar a mejorar la predicción de las tormentas de granizo y su gravedad, según un nuevo estudio del Centro Nacional de Investigación Atmosférica NCAR.
En lugar de concentrarse en las características de una cara individual, los científicos entrenaron un modelo de aprendizaje profundo llamado red neuronal convolucional para reconocer las características de las tormentas individuales que afectan la formación del granizo y el tamaño de las piedras de granizo, las cuales son notoriamentedifícil de predecir
Los resultados prometedores, publicados en la American Meteorological Society's Revisión mensual del clima resalte la importancia de tener en cuenta la estructura completa de una tormenta, algo que ha sido difícil de hacer con las técnicas de pronóstico de granizo existentes.
"Sabemos que la estructura de una tormenta afecta si la tormenta puede producir granizo", dijo el científico del NCAR David John Gagne, quien dirigió el equipo de investigación. "Una supercélula es más probable que produzca granizo que una línea de turbonada, por ejemplo.Pero la mayoría de los métodos de pronóstico de granizo solo miran una pequeña porción de la tormenta y no pueden distinguir la forma y estructura más amplias ".
La investigación fue apoyada por la National Science Foundation, que es patrocinadora de NCAR.
"El granizo, particularmente el granizo grande, puede tener impactos económicos significativos en la agricultura y la propiedad", dijo Nick Anderson, un oficial del programa NSF. "El uso de estas herramientas de aprendizaje profundo de maneras únicas proporcionará una visión adicional de las condiciones que favorecen a los grandesgranizo, mejorando las predicciones del modelo. Esta es una fusión creativa y muy útil de disciplinas científicas ".
La forma de las tormentas
Ya sea que una tormenta produzca o no granizo depende de innumerables factores meteorológicos. El aire debe estar húmedo cerca de la superficie terrestre, pero seco más arriba. El nivel de congelación dentro de la nube debe ser relativamente bajo en el suelo.mantener el granizo en alto el tiempo suficiente para crecer es esencial. Los cambios en la dirección y velocidad del viento a diferentes alturas dentro de la tormenta también parecen jugar un papel
Pero incluso cuando se cumplen todos estos criterios, el tamaño de las piedras de granizo producidas puede variar notablemente, dependiendo del camino que recorran las piedras de granizo y las condiciones a lo largo de ese camino. Ahí es donde entra en juego la estructura de la tormenta.
"La forma de la tormenta es realmente importante", dijo Gagne. "En el pasado hemos tendido a centrarnos en puntos únicos en una tormenta o en perfiles verticales, pero la estructura horizontal también es muy importante".
Los modelos informáticos actuales están limitados en cuanto a lo que pueden ver debido a la complejidad matemática que se necesita para representar las propiedades físicas de una tormenta completa. El aprendizaje automático ofrece una posible solución porque evita la necesidad de un modelo que realmente resuelva todo lo complicadofísica de tormentas. En cambio, la red neuronal de aprendizaje automático es capaz de ingerir grandes cantidades de datos, buscar patrones y enseñarse qué características de tormenta son cruciales para desconectar y predecir con precisión el granizo.
Para el nuevo estudio, Gagne recurrió a un tipo de modelo de aprendizaje automático diseñado para analizar imágenes visuales. Entrenó el modelo utilizando imágenes de tormentas simuladas, junto con información sobre temperatura, presión, velocidad del viento y dirección como entradas y simulaciones degranizo resultante de esas condiciones como salidas. Las simulaciones climáticas se crearon utilizando el modelo de Investigación y Pronóstico del Tiempo WRF basado en NCAR.
El modelo de aprendizaje automático descubrió qué características de la tormenta están correlacionadas con si graniza o no y qué tan grandes son las piedras de granizo. Después de que el modelo fue entrenado y luego demostró que podía hacer predicciones exitosas, Gagne echó un vistazo para verqué aspectos de la tormenta la red neuronal del modelo creía que eran los más importantes. Utilizó una técnica que esencialmente ejecutó el modelo hacia atrás para identificar la combinación de características de tormenta que tendrían que unirse para dar la mayor probabilidad de granizo severo.
En general, el modelo confirmó las características de tormenta que anteriormente se habían relacionado con el granizo, dijo Gagne. Por ejemplo, tormentas que tienen una presión inferior a la media cerca de la superficie y una presión superior a la media cerca de la cima de la tormenta uncombinación que crea fuertes corrientes ascendentes es más probable que produzca granizo severo. También lo son las tormentas con vientos que soplan desde el sureste cerca de la superficie y desde el oeste en la parte superior. Las tormentas con una forma más circular también son más propensas a producir granizo.
Construyendo en bosques aleatorios, probando con tormentas reales
Esta investigación se basa en el trabajo anterior de Gagne utilizando un tipo diferente de modelo de aprendizaje automático, conocido como un bosque aleatorio, para mejorar la predicción del granizo. En lugar de analizar imágenes, los modelos de bosque aleatorio hacen una serie de preguntas, como un diagrama de flujo,que están diseñados para determinar la probabilidad de granizo. Estas preguntas pueden incluir si el punto de rocío, las temperaturas o los vientos están por encima o por debajo de un cierto umbral. Cada "árbol" en el modelo pide ligeras variantes en las preguntas para obtener una respuesta independienteEsas respuestas se promedian en todo el "bosque", dando una predicción que es más confiable que cualquier árbol individual.
Para esa investigación, publicada en 2017, Gagne utilizó observaciones reales de tormenta para las entradas y el tamaño de granizo estimado por radar para las salidas para entrenar el modelo. Descubrió que el modelo podría mejorar la predicción de granizo hasta en un 10%. La máquinaEl modelo de aprendizaje ahora se ha ejecutado operacionalmente durante los últimos resortes para dar a los pronosticadores en el terreno acceso a más información al hacer predicciones de granizo. Gagne está en el proceso de verificar cómo le fue al modelo durante esas pocas temporadas.
El siguiente paso para el nuevo modelo de aprendizaje automático es también comenzar a probarlo usando observaciones de tormentas y granizo estimado por radar, con el objetivo de hacer que este modelo también pase a un uso operativo. Gagne está colaborando con investigadores de la Universidad de Oklahoma eneste proyecto.
"Creo que este nuevo método es muy prometedor para ayudar a los pronosticadores a predecir mejor un fenómeno meteorológico capaz de causar daños graves", dijo Gagne. "Estamos entusiasmados de continuar probando y refinando el modelo con observaciones de tormentas reales".
Fuente de la historia :
Materiales proporcionado por Centro Nacional de Investigación Atmosférica / Corporación Universitaria de Investigación Atmosférica . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :