La misma técnica de inteligencia artificial que se utiliza normalmente en los sistemas de reconocimiento facial podría ayudar a mejorar la predicción de las granizadas y su gravedad. según un nuevo estudio del Centro Nacional de Investigaciones Atmosféricas (NCAR).

En lugar de concentrarse en las características de un rostro 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. ambos son notoriamente difíciles de predecir.

Los resultados prometedores publicado en la American Meteorological Society's Revisión mensual del clima , destacar 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 de NCAR David John Gagne, quien dirigió el equipo de investigación. "Es más probable que una supercélula produzca granizo que una línea de turbonada, por ejemplo. Pero la mayoría de los métodos de predicción del granizo se limitan a observar 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 el patrocinador de NCAR.

"El granizo, particularmente el granizo grande, puede tener un impacto económico significativo en la agricultura y la propiedad, "dijo Nick Anderson, un oficial de programa de NSF. "El uso de estas herramientas de aprendizaje profundo de formas únicas proporcionará información adicional sobre las condiciones que favorecen el granizo grande, mejorar las predicciones del modelo. Esta es una creatividad y muy útil, fusión de disciplinas científicas ".

La forma de las tormentas

El hecho de que una tormenta produzca granizo depende de una miríada de factores meteorológicos. El aire debe estar húmedo cerca de la superficie de la tierra, pero seca más arriba. El nivel de congelación dentro de la nube debe ser relativamente bajo con respecto al suelo. Las corrientes ascendentes fuertes que mantienen el granizo en alto el tiempo suficiente para crecer son esenciales. Los cambios en la dirección y velocidad del viento a diferentes alturas dentro de la tormenta también parecen influir

Pero incluso cuando se cumplen todos estos criterios, el tamaño de los granizos producidos puede variar notablemente, dependiendo del camino que recorran los granizos a través de la tormenta 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 perfiles verticales, pero la estructura horizontal también es realmente importante ".

Los modelos informáticos actuales están limitados en lo que pueden observar 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 toda la complicada física de las tormentas. En lugar de, la red neuronal de aprendizaje automático es capaz de ingerir grandes cantidades de datos, buscar patrones, y enseñarse a sí mismo qué características de la tormenta son cruciales para desconectar para 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 usando imágenes de tormentas simuladas, junto con información sobre la temperatura, presión, velocidad del viento, y dirección como entradas y simulaciones de granizo resultante de esas condiciones como salidas. Las simulaciones meteorológicas se crearon utilizando el modelo de predicción e investigación meteorológica (WRF) basado en NCAR.

Luego, 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 demostrado que podía hacer predicciones exitosas, Gagne echó un vistazo para ver qué aspectos de la tormenta pensaba la red neuronal del modelo eran los más importantes. Usó una técnica que esencialmente ejecutó el modelo al revés para identificar la combinación de características de tormenta que deberían combinarse para dar la mayor probabilidad de granizo severo.

En general, el modelo confirmó las características de la tormenta que anteriormente se habían relacionado con el granizo, Dijo Gagne. Por ejemplo, Las tormentas que tienen una presión más baja que el promedio cerca de la superficie y una presión más alta que el promedio cerca de la cima de la tormenta (una combinación que crea fuertes corrientes ascendentes) tienen más probabilidades de producir granizo severo. También lo son las tormentas con vientos que soplan del sureste cerca de la superficie y del oeste en la parte superior. Las tormentas con una forma más circular también son más propensas a producir granizo.

Construyendo sobre bosques aleatorios, pruebas con tormentas reales

Esta investigación se basa en el trabajo anterior de Gagne utilizando un tipo diferente de modelo de aprendizaje automático, conocido como bosque aleatorio, para mejorar la predicción del granizo. En lugar de analizar imágenes, los modelos forestales aleatorios 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, temperaturas o los vientos están por encima o por debajo de cierto umbral. Cada "árbol" en el modelo hace ligeras variantes en las preguntas para llegar a una respuesta independiente. Luego, esas respuestas se promedian en todo el "bosque, "dando una predicción que es más confiable que cualquier árbol individual.

Para esa investigación, publicado en 2017, Gagne utilizó observaciones reales de tormentas para las entradas y tamaños de granizo estimados por radar para las salidas para entrenar el modelo. Descubrió que el modelo podría mejorar la predicción del granizo hasta en un 10%. El modelo de aprendizaje automático ahora se ha ejecutado operativamente durante los últimos resortes para brindar 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 modelo de aprendizaje automático más nuevo es comenzar a probarlo también utilizando observaciones de tormentas y granizo estimado por radar. con el objetivo de hacer también la transición de este modelo al uso operativo. Gagne está colaborando con investigadores de la Universidad de Oklahoma en este 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 emocionados de continuar probando y refinando el modelo con observaciones de tormentas reales ".