Bill Gallus è noto per inseguire un temporale estivo o due. Ma non doveva andare dietro a questo.

Il 17 luglio, 2019, un temporale si è avvicinato al campus della Iowa State University. Gallo, professore di scienze geologiche e atmosferiche, si diresse verso il tetto sopra il suo ufficio nell'edificio dell'Agronomia. E non ha dimenticato una macchina fotografica.

Una delle sue foto mostra una nuvola a scaffale che segna il limite dei forti venti da temporale. La linea distinta della nuvola taglia in due la foto, basso, acuto e imponente, nessuna morbidezza qui. L'Osborn Drive solitamente affollato fuori dal suo ufficio è per lo più vuoto:alcune persone per strada sono rivolte a nord-nordovest, guardando la tempesta.

"La levigatezza e la bassa elevazione di una nuvola a scaffale la rendono uno spettacolo impressionante da osservare, " Gallo ha scritto in una descrizione della foto. "Si forma quando l'aria fredda in rapido movimento all'interno di un temporale si diffonde, sollevando rapidamente l'aria calda e umida sopra di essa."

Abbiamo visto tutti decine di temporali. E il National Weather Service tiene diligentemente un registro di ciascuno e classifica la loro forza nel suo database Storm Reports. Affinché un temporale sia contrassegnato come "grave, " Per esempio, deve produrre un tornado, grandine di diametro superiore a 1 pollice o venti superiori a 58 mph.

Ma la maggior parte dei temporali non rimbomba sugli strumenti a fiato. Quindi i meteorologi hanno fatto stime del vento basate sui danni provocati dalle tempeste come alberi abbattuti, tetti spazzati via o tettoie abbattute. E il più delle volte, quando è stato segnalato quel tipo di danno da vento, i temporali sono stati semplicemente classificati come gravi, senza misurazioni reali a supporto della designazione.

Questo è un problema per ricercatori come Gallus che hanno bisogno di buoni dati per aiutarli a sviluppare modi migliori per prevedere gravi, temporali localizzati.

Un grosso problema di dati

Quando Gallus ha sentito i colleghi del campus del gruppo di ricerca sulla scienza dei dati teorici e applicati dell'Iowa State parlare di apprendimento automatico, pensava che le capacità di analisi dei dati della tecnologia potessero aiutarlo a studiare e analizzare il database Storm Reports. Forse i computer potrebbero trovare relazioni o connessioni nei report che potrebbero portare a nuovi strumenti di previsione?

Bene, non così in fretta, hanno detto gli scienziati della National Oceanic and Atmospheric Administration (NOAA).

Il database esistente sui temporali gravi gestito dai Centri nazionali per l'informazione ambientale non sarebbe di grande utilità per Gallus o altri ricercatori che cercano dati sul vento. I bollettini del vento erano inaffidabili. I rapporti dovevano essere ripuliti prima che potessero essere utili per severi studi sul vento.

Ecco cosa faranno Gallus e un team di data scientist dello stato dell'Iowa. Supportato da un triennio, $650, 000 sovvenzione NOAA, useranno computer e strumenti di apprendimento automatico per setacciare i rapporti e identificare la probabilità che ognuno descriva effettivamente un temporale con forti venti.

Non è un compito da poco:Gallus ha detto che gli scienziati inizieranno con 12 anni di segnalazioni di forti temporali. Sono circa 180, 000 di loro.

"E il 90 percento di quei 180, 000 rapporti contengono stime del vento, " Disse Gallo. "Non si basano sui dati della stazione meteorologica. La maggior parte di loro dice che alberi o rami sono stati abbattuti, qualcuno ha chiamato e ha detto:"Il mio albero è crollato".

L'ordinamento di tali rapporti solleva ogni sorta di sfida per i ricercatori di dati, ha detto Eric Weber, un collaboratore di progetto e professore di matematica dello Iowa State.

Primo, ha detto che i rapporti sono pieni di dati raccolti da persone, non da strumenti precisi e sofisticati. I rapporti contengono anche naturali, linguaggio quotidiano. Ci sono modi di dire, giri di frasi e persino errori di battitura che devono essere analizzati dal software di apprendimento automatico.

E secondo, i temporali sono molto complessi. Ci sono molte variabili:temperatura dell'aria che sale, condensazione, pioggia, fulmini e altro, che devono essere raccolti, quantificati e analizzati per comprendere le tempeste.

Weber, che descrive l'apprendimento automatico come una rete neurale artificiale che "crea connessioni in base alle informazioni che ha a disposizione", ha affermato che il software del computer è in grado di gestire enormi quantità di dati sulle tempeste che travolgerebbero i team di persone.

Anche il software di apprendimento automatico lo fa in un modo molto non umano.

"Quando guardiamo i dati, cerchiamo di capire i dati come esseri umani, " Weber ha detto. "Portiamo le nostre percezioni e pregiudizi. Uno dei motivi principali per cui l'apprendimento automatico viene utilizzato con così tanto successo ora è che non apporta nozioni preconcette alla sua analisi dei dati.

"Può trovare potenziali relazioni che gli umani non possono a causa dei loro preconcetti".

Verso una migliore previsione

Man mano che i computer avanzano con i rapporti sulla tempesta, Gallus ha detto che fornirà aggiornamenti e dimostrazioni all'annuale NOAA, un banco di prova per le condizioni atmosferiche pericolose della durata di settimane a Norman, Oklahoma. I banchi di prova sono durante la stagione dei tornado di maggio e sono un'opportunità per ricercatori e previsori di utilizzare le ultime idee di previsione, strumenti e tecnologie.

Gallo spera di mostrare i progressi dello studio del vento temporalesco. Raccoglierà feedback e suggerimenti. E tutto ciò potrebbe eventualmente portare a un nuovo strumento di previsione che predice la probabilità che un temporale produca forti venti.

"La necessità principale del NOAA in questo momento è ripulire il database per una migliore ricerca, " ha detto Gallus. "Ma ci siamo resi conto che se questo progetto va bene con l'apprendimento automatico, abbiamo potuto vedere come potrebbe funzionare come strumento di previsione".