El huracán Ida fue uno de los huracanes más intensos y dañinos de la historia de Luisiana. La violenta tormenta se convirtió en huracán de categoría 1 el viernes, 27 de agosto. Luego subió otras dos categorías en dos días, saltando de la categoría 3 a la 4 en solo una hora.

Agradecidamente, Los modelos de previsión nos ayudan a predecir cuándo, dónde, y con qué fuerza pueden azotar los huracanes. Pero una intensificación tan rápida —el ejemplo más reciente de Ida— puede eludir las predicciones incluso de los mejores modelos. Predecir con precisión las breves ventanas en las que estas violentas tormentas surgen y se fortalecen es un punto ciego persistente dentro de la comunidad de pronósticos de huracanes.

Ahora, gracias a un nuevo modelo desarrollado por investigadores del Laboratorio Nacional del Noroeste del Pacífico del Departamento de Energía, Está al alcance de la mano una mejor predicción de la intensidad de los huracanes tanto en el futuro cercano como en escenarios climáticos futuros. Utilizando técnicas de inteligencia artificial, el equipo creó un modelo que puede, de media, predecir con mayor precisión la intensidad de los huracanes en relación con los modelos utilizados a nivel nacional. Y puede ejecutarse en una computadora portátil comercial.

Llenar un vacío en las predicciones de huracanes

Algunos modelos de huracanes rastrean las relaciones estadísticas entre el comportamiento y las ubicaciones de las tormentas. Otros calculan movimientos complejos en juego dentro de la atmósfera de la Tierra. Cuando se juntan, Dichos modelos ayudan a los comandantes de incidentes a organizar recursos como helicópteros de rescate o botes para que las comunidades costeras estén mejor preparadas para afrontar estos desastres naturales.

Pero, como cualquier simulación de un sistema muy complejo, esos modelos cometen errores.

"Hay tantos ejemplos de fallas en los pronósticos de huracanes, "dijo el científico de PNNL Earth Karthik Balaguru, quien fue coautor del estudio. "Si les dice a todos que la tormenta será de categoría 2, pero de repente se convierte en una categoría 4, por supuesto que es un gran problema ".

Para abordar la necesidad de mejores predicciones de intensidad, Balaguru y sus coautores buscaron el aprendizaje profundo:un tipo de aprendizaje automático en el que los investigadores alimentan información a algoritmos que, en este caso, detectar relaciones entre el comportamiento de los huracanes y factores climáticos como el calor almacenado en el océano, velocidad del viento, y temperatura del aire. Luego, los algoritmos forman predicciones sobre qué camino puede tomar una tormenta, qué tan fuerte podría volverse y qué tan rápido podría intensificarse.

El nuevo modelo, dijo el científico de datos de PNNL Wenwei Xu, quien dirigió el estudio, se basa en los mismos datos que otros modelos de huracanes. Pero se diferencia en su uso de redes neuronales:un sistema de neuronas artificiales que imitan la computación del cerebro humano, empoderar al modelo para hacer predicciones.

"Ha habido una explosión de capacidades de modelado que ha sido posible gracias al aprendizaje profundo desde alrededor de 2015, ", dijo Xu." Hemos visto el aprendizaje automático incorporado en otros campos, pero no en los pronósticos operativos de huracanes ". Sólo unos pocos estudios han aplicado técnicas de inteligencia artificial para formar predicciones en torno a los huracanes.

Comprender los huracanes en un mundo más cálido

El equipo está más emocionado por la capacidad del modelo para proyectar cómo el comportamiento de los huracanes puede cambiar en diferentes escenarios climáticos. La Administración Nacional Oceánica y Atmosférica predice que la intensidad de los huracanes aumentará, de media, de uno a diez por ciento en un futuro más cálido, trayendo consigo una mayor fuerza destructiva, según modelos que proyectan dos grados centígrados de calentamiento global.

Investigaciones anteriores de Balaguru y otros científicos del PNNL mostraron que los grandes huracanes se intensifican con más fuerza y ​​rapidez ahora que en los últimos 30 años. El nuevo modelo puede generar miles de huracanes simulados, dijo Balaguru, ofreciendo la oportunidad de comprender mejor cómo evoluciona el riesgo en un mundo más cálido.

"Si conoce el estado actual del océano y la atmósfera, "dijo Balaguru, "y conoces el estado de la tormenta, ¿Puede predecir lo que será de 24 a 48 horas después? ¿Qué hay de 30 años después? cuando hay mucho calentamiento global y tenemos un clima diferente? Ese es un problema diferente un conjunto diferente de preguntas, y nuestro modelo puede abordarlos ".

Ese poder también ayuda a abordar un problema de escasez de datos de larga data dentro de la comunidad de pronósticos. Solo de 8 a 10 huracanes azotan en un año, dijo Balaguru, y los registros sólidos de datos sobre huracanes solo comenzaron cuando el uso de satélites se generalizó hace unos 40 años. Producir más huracanes simulados significa que hay más datos disponibles para ayudar a desarrollar aún más una comprensión básica del comportamiento de los huracanes.

Técnicas de prueba

Para explorar el poder predictivo del modelo, el equipo realizó pruebas para simular un pronóstico operativo en tiempo real. Primero, entrenaron el nuevo modelo alimentándolo con datos climáticos conocidos de huracanes pasados, hasta 2018. Luego, el modelo formó predicciones para los años 2019 y 2020 basándose en lo que había aprendido de los datos anteriores. Los investigadores compararon las predicciones del nuevo modelo con varios otros modelos de predicción utilizados a nivel nacional al contar los errores de predicción de cada modelo.

La nueva técnica redujo los errores de predicción de intensidad hasta en un 22 por ciento en comparación con los modelos convencionales. "Incluso una mejora del cinco por ciento es importante, "dijo Balaguru. En promedio, él agregó, la magnitud del error se reduce en los modelos convencionales de huracanes en aproximadamente un uno por ciento cada año. La nueva técnica también predijo correctamente más casos de intensificación rápida que los modelos de comparación.

La nueva técnica requiere una potencia de cálculo significativamente menor que muchos otros modelos, tan poca que puede ejecutarse en una computadora portátil comercial, brindando acceso a quienes no trabajan con computadoras de alto rendimiento.

Este trabajo fue apoyado por Deep Learning for Scientific Discovery Science Agile Investment de PNNL, así como el área del programa Dinámica multisectorial de la Oficina de Ciencias del DOE. El área del programa Análisis de modelos regionales y globales dentro de la Oficina de Ciencias proporcionó apoyo adicional. El código modelo aplicado dentro del estudio está disponible para uso público. Los autores planean compartir el resultado del modelo con otros grupos en la investigación colaborativa de huracanes.

El estudio, "Experimentos de aprendizaje profundo para pronósticos de intensidad de ciclones tropicales, "en el que se describe este modelo, se publicó en la edición de agosto de Weather and Forecasting, una revista de la Sociedad Meteorológica Estadounidense.