Cuando se acerca un huracán, avisar con unas horas de antelación puede suponer la diferencia entre la vida y la muerte. Ahora, Los investigadores de Penn State informan que la aplicación de una técnica de aprendizaje automático a un grupo de posibles rutas de tormentas podría ayudar a los meteorólogos a proporcionar pronósticos a mediano plazo más precisos y emitir advertencias oportunas a las comunidades en el camino de estas tormentas potencialmente mortales.

En un estudio, Los investigadores utilizaron el aprendizaje automático para eliminar ciertos grupos de predicciones de huracanes de conjuntos (conjuntos de predicciones de modelos meteorológicos que se basan en una variedad de posibilidades meteorológicas) para reducir los errores y mejorar los pronósticos con cuatro a seis días de anticipación. Los científicos usan estos modelos de conjuntos porque el clima es muy complejo y tratar de pronosticar incluso un solo evento genera enormes cantidades de datos. dijo Jenni Evans, profesor de meteorología y ciencias atmosféricas y director del Instituto de Ciencias Computacionales y de Datos.

"Los modelos se ejecutan de forma ligeramente diferente, muchas veces para crear un conjunto de posibles estados futuros de la atmósfera. Es este conjunto que se les da a los pronosticadores, ", dijo Evans." Estamos viendo 120 pronósticos diferentes en todo momento en todo el mundo, luego enfocándose en un tifón o huracán individual y preguntando, '¿Qué hará esta tormenta en el futuro?' Ahora, si le da esas predicciones a un pronosticador solo unas horas antes de que su pronóstico se publique, esa es una gran cantidad de información para procesar. Entonces, en lugar de, hemos utilizado estadísticas avanzadas y aprendizaje automático para tratar de dividir esos 120 pronósticos en entre cuatro y seis grupos donde cada grupo representa una predicción distinta de la evolución de la tormenta de todos los demás grupos ".

Los observadores del clima pueden reconocer mejor estos conjuntos como la colección de líneas onduladas que muestran posibles trayectorias de tormentas durante la temporada de huracanes.

Aunque estos modelos son buenos y están mejorando, están lejos de ser perfectos, Dijo Evans. Cada predicción puede explicar una ligera variación en las muchas variables que componen el clima, como la energía del océano y las nubes, ella añadió. También, se centran principalmente en el tipo de huracanes, como el huracán Sandy en 2012 y el huracán Isaías en 2020, que suben por la costa y salen de los trópicos.

"Estas tormentas son generalmente más difíciles de predecir porque su entorno cambia mucho a lo largo de su vida, ", Dijo Evans." Si miras los modelos actuales, son imperfectos porque no puedes ver cada molécula de agua que necesitarías y cada pieza de energía del sol, y también sabemos que la forma en que representamos parte de esa información es imperfecta. Pero, cuando te enfrentas a un huracán, es importante saber qué tipo de tormenta va a tener y cuándo lo va a tener ".

Como un arbolista que corta ramas débiles y dañadas para que el resto del árbol pueda florecer, los investigadores dividieron el conjunto en grupos de pronósticos, conocidos como clústeres, y "podar" los que se esperaba que tuvieran un rendimiento deficiente, según Alex Kowaleski, un becario postdoctoral en meteorología y ciencias atmosféricas. Los investigadores encontraron que los grupos muy pequeños tendían a funcionar mucho peor que otros.

"Existe una fuerte relación entre el tamaño del clúster y el error del clúster y es más prominente para los clústeres más pequeños, ", dijo Kowaleski." Los grupos más pequeños tienden a funcionar mucho peor. Eso no se debe simplemente a que sea un tamaño de conjunto más pequeño porque, todas las cosas consideradas, si solo aumenta el tamaño del conjunto simplemente agregando más miembros, obtendrá un mejor rendimiento hasta cierto nivel. Pero estos pequeños grupos eran tan pobres que les estaba yendo peor que un miembro del grupo seleccionado al azar ".

Entre otros resultados, los investigadores, que informan de sus hallazgos en un número reciente de Weather and Forecasting, pudieron reducir los errores que podrían afectar los pronósticos al eliminar estos pequeños grupos.

Según Kowaleski, si bien la mayoría de la gente sabe que los huracanes son peligrosos, a menudo no consideran que los peligros de las tormentas varían mucho de un lugar a otro debido a factores como las mareas y la topografía local. Sin embargo, la agrupación puede ayudar a los pronosticadores a predecir mejor la variedad de escenarios en diferentes lugares a lo largo del camino de la tormenta y obtener advertencias más precisas para las personas que pueden no estar al tanto de la situación climática cambiante.

"Un huracán presenta un área masiva de peligros, ", dijo Kowaleski." Si eres un interesado o una persona que vive en la costa, no importa dónde está el centro geográfico de la tormenta y cuál es la velocidad máxima del viento. Lo que en última instancia le importa es cuáles son las condiciones severas que usted y su comunidad van a experimentar ".

El estudio incluye más de 120 eventos de pronóstico tomados del Atlántico Norte, este del pacifico norte pronósticos del Pacífico central, tormentas del Pacífico noroccidental, Pacífico Sur y Océano Índico Sur. Los investigadores obtuvieron pronósticos de trayectoria para ciclones tropicales que ocurrieron durante 2017 a 2018 del THORPEX Interactive Grand Global Ensemble, o TIGGE. Los datos TIGGE empleados en este estudio son proporcionados por el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo, el Sistema Global de Pronóstico por Conjunto de los Centros Nacionales de Predicción Ambiental (NCEP), el Sistema de predicción global por conjuntos de la Met Office del Reino Unido y el Sistema global de predicción por conjuntos de Environment Canada.

Los cálculos para este estudio se realizaron en el Instituto de Infraestructura Cibernética Avanzada (ICDS-ACI) del Instituto de Ciencias Computacionales y de Datos (ICDS).