La stessa tecnica di intelligenza artificiale tipicamente utilizzata nei sistemi di riconoscimento facciale potrebbe aiutare a migliorare la previsione delle grandinate e la loro gravità, secondo un nuovo studio del National Center for Atmospheric Research (NCAR).

Invece di concentrarsi sui lineamenti di un singolo volto, gli scienziati hanno addestrato un modello di apprendimento profondo chiamato rete neurale convoluzionale per riconoscere le caratteristiche delle singole tempeste che influenzano la formazione della grandine e quanto grandi saranno i chicchi di grandine, entrambi notoriamente difficili da prevedere.

I promettenti risultati, pubblicato nell'American Meteorological Society's Rassegna meteo mensile , evidenziare l'importanza di prendere in considerazione l'intera struttura di una tempesta, qualcosa che è stato difficile da fare con le tecniche di previsione della grandine esistenti.

"Sappiamo che la struttura di una tempesta influisce sul fatto che la tempesta possa produrre grandine, " ha detto lo scienziato NCAR David John Gagne, che ha guidato il gruppo di ricerca. "È più probabile che una supercella produca grandine di una linea di burrasca, Per esempio. Ma la maggior parte dei metodi di previsione della grandine guarda solo a una piccola fetta della tempesta e non riesce a distinguere la forma e la struttura più ampie".

La ricerca è stata sostenuta dalla National Science Foundation, che è lo sponsor di NCAR.

"La grandine, in particolare la grandine di grandi dimensioni, può avere un impatto economico significativo sull'agricoltura e sulla proprietà, " ha detto Nick Anderson, un funzionario del programma NSF. "L'utilizzo di questi strumenti di deep learning in modi unici fornirà ulteriori informazioni sulle condizioni che favoriscono la grandine di grandi dimensioni, migliorare le previsioni del modello. Questo è un creativo, e molto utile, fusione di discipline scientifiche".

La forma delle tempeste

Che una tempesta produca o meno grandine dipende da una miriade di fattori meteorologici. L'aria deve essere umida vicino alla superficie terrestre, ma asciuga più in alto. Il livello di congelamento all'interno della nuvola deve essere relativamente basso rispetto al suolo. Sono essenziali forti correnti ascensionali che mantengano alta la grandine abbastanza a lungo da crescere. Anche i cambiamenti nella direzione e nella velocità del vento a diverse altezze all'interno della tempesta sembrano avere un ruolo

Ma anche quando tutti questi criteri sono soddisfatti, le dimensioni dei chicchi di grandine prodotti possono variare notevolmente, a seconda del percorso che i chicchi di grandine percorrono durante la tempesta e delle condizioni lungo quel percorso. È qui che entra in gioco la struttura della tempesta.

"La forma della tempesta è davvero importante, " Ha detto Gagne. "In passato abbiamo avuto la tendenza a concentrarci su singoli punti in una tempesta o su profili verticali, ma anche la struttura orizzontale è molto importante".

Gli attuali modelli di computer sono limitati in ciò che possono guardare a causa della complessità matematica necessaria per rappresentare le proprietà fisiche di un'intera tempesta. L'apprendimento automatico offre una possibile soluzione perché aggira la necessità di un modello che risolva effettivamente tutta la complicata fisica delle tempeste. Anziché, la rete neurale di machine learning è in grado di ingerire grandi quantità di dati, cercare modelli, e impara da solo quali caratteristiche della tempesta sono cruciali da disattivare per prevedere con precisione la grandine.

Per il nuovo studio, Gagne si è rivolto a un tipo di modello di apprendimento automatico progettato per analizzare le immagini visive. Ha addestrato il modello utilizzando immagini di tempeste simulate, insieme alle informazioni sulla temperatura, pressione, velocità del vento, e direzione come input e simulazioni di grandine risultanti da tali condizioni come output. Le simulazioni meteorologiche sono state create utilizzando il modello Weather Research and Forecasting (WRF) basato su NCAR.

Il modello di apprendimento automatico ha quindi individuato quali caratteristiche della tempesta sono correlate al fatto che grandina o meno e alla grandezza dei chicchi di grandine. Dopo che il modello è stato addestrato e poi dimostrato che può fare previsioni di successo, Gagne ha dato un'occhiata per vedere quali aspetti della tempesta secondo la rete neurale del modello erano i più importanti. Ha usato una tecnica che essenzialmente ha eseguito il modello all'indietro per individuare la combinazione di caratteristiche della tempesta che avrebbero dovuto unirsi per dare la più alta probabilità di forti grandinate.

Generalmente, il modello ha confermato quelle caratteristiche della tempesta che sono state precedentemente collegate alla grandine, disse Gagne. Per esempio, le tempeste che hanno una pressione inferiore alla media vicino alla superficie e una pressione superiore alla media vicino alla sommità della tempesta (una combinazione che crea forti correnti ascensionali) hanno maggiori probabilità di produrre forti grandinate. Lo stesso vale per le tempeste con venti che soffiano da sud-est vicino alla superficie e da ovest in alto. Anche i temporali con una forma più circolare hanno maggiori probabilità di produrre grandine.

Costruire su foreste casuali, test con tempeste reali

Questa ricerca si basa sul lavoro precedente di Gagne utilizzando un diverso tipo di modello di apprendimento automatico, noto come foresta casuale, per migliorare la previsione della grandine. Invece di analizzare le immagini, modelli forestali casuali pongono una serie di domande, proprio come un diagramma di flusso, che sono progettati per determinare la probabilità di grandine. Queste domande potrebbero includere se il punto di rugiada, temperature, oppure i venti sono al di sopra o al di sotto di una certa soglia. Ogni "albero" nel modello chiede lievi varianti alle domande per arrivare a una risposta indipendente. Tali risposte vengono quindi mediate sull'intera "foresta, " dando una previsione più affidabile di qualsiasi singolo albero.

Per quella ricerca, pubblicato nel 2017, Gagne ha utilizzato le osservazioni effettive della tempesta per gli input e le dimensioni della grandine stimate dal radar per gli output per addestrare il modello. Ha scoperto che il modello potrebbe migliorare la previsione della grandine fino al 10%. Il modello di apprendimento automatico è stato ora eseguito operativamente durante le ultime primavere per fornire ai meteorologi sul campo l'accesso a maggiori informazioni quando effettuano previsioni di grandine. Gagne sta verificando come ha fatto il modello in quelle poche stagioni.

Il prossimo passo per il nuovo modello di apprendimento automatico è anche iniziare a testarlo utilizzando le osservazioni della tempesta e la grandine stimata dal radar, con l'obiettivo di trasformare questo modello anche nell'uso operativo. Gagne sta collaborando con i ricercatori dell'Università dell'Oklahoma su questo progetto.

"Penso che questo nuovo metodo abbia molte promesse per aiutare i meteorologi a prevedere meglio un fenomeno meteorologico in grado di causare gravi danni, " Ha detto Gagne. "Siamo entusiasti di continuare a testare e perfezionare il modello con osservazioni di vere tempeste".