Quando si avvicina un uragano, fornire qualche ora in più di preavviso può fare la differenza tra la vita e la morte. Ora, I ricercatori di Penn State riferiscono che l'applicazione di una tecnica di apprendimento automatico a un gruppo di possibili percorsi di tempesta potrebbe aiutare i meteorologi a fornire previsioni a medio termine più accurate ed emettere avvisi tempestivi alle comunità nel percorso di queste tempeste potenzialmente mortali.

In uno studio, i ricercatori hanno utilizzato l'apprendimento automatico per rimuovere alcuni gruppi di previsioni sugli uragani dagli insiemi, insiemi di previsioni da modelli meteorologici basati su una serie di possibilità meteorologiche, per ridurre gli errori e migliorare le previsioni da quattro a sei giorni. Gli scienziati usano questi modelli di insieme perché il tempo è molto complesso e cercare di prevedere anche un singolo evento crea enormi quantità di dati, ha detto Jenni Evans, professore di meteorologia e scienze atmosferiche e direttore dell'Istituto per le scienze computazionali e dei dati.

"I modelli sono gestiti in modo leggermente diverso molti, molte volte per creare un insieme di possibili stati futuri dell'atmosfera. È questo insieme che viene dato ai meteorologi, " ha detto Evans. "Stiamo esaminando 120 previsioni diverse in ogni momento in tutto il mondo, poi concentrandosi su un singolo tifone o uragano e chiedendo, "Cosa farà questa tempesta in futuro?" Ora, se fornisci queste previsioni a un meteorologo solo poche ore prima che le previsioni vengano pubblicate, è un'enorme quantità di informazioni da elaborare. Così, Invece, abbiamo utilizzato statistiche avanzate e apprendimento automatico per cercare di suddividere quelle 120 previsioni in quattro o sei cluster, in cui ogni cluster rappresenta una previsione distinta dell'evoluzione della tempesta rispetto a tutti gli altri cluster".

Gli osservatori del tempo possono riconoscere meglio questi insiemi come la raccolta di linee ondulate che mostrano possibili percorsi di tempesta durante la stagione degli uragani.

Anche se questi modelli sono buoni e stanno migliorando, sono tutt'altro che perfetti, ha detto Evans. Ogni previsione può spiegare una leggera variazione nelle molte variabili che compongono il tempo, come l'energia dell'oceano e delle nuvole, lei ha aggiunto. Anche, si stanno concentrando principalmente sul tipo di uragani, come l'uragano Sandy nel 2012 e l'uragano Isaias nel 2020, che si spostano lungo la costa e fuori dai tropici.

"Queste tempeste sono generalmente più difficili da prevedere perché il loro ambiente cambia così tanto nel corso della loro vita, " Evans ha detto. "Se guardi i modelli attuali, sono imperfetti perché non puoi vedere ogni molecola d'acqua di cui avresti bisogno e ogni pezzo di energia dal sole, e sappiamo anche che il modo in cui rappresentiamo alcune di quelle informazioni è imperfetto. Ma, quando stai affrontando un uragano, è importante sapere che tipo di tempesta avrai e quando la prenderai".

Come un arboricoltore che taglia i rami deboli e danneggiati in modo che il resto dell'albero possa prosperare, i ricercatori hanno diviso l'insieme in gruppi di previsioni, conosciuti come grappoli, e "potato" quelli che avrebbero dovuto avere prestazioni scadenti, secondo Alex Kowaleski, uno studioso post-dottorato in meteorologia e scienze atmosferiche. I ricercatori hanno scoperto che i cluster molto piccoli tendevano a funzionare molto peggio di altri.

"C'è una forte relazione tra la dimensione del cluster e l'errore del cluster ed è più evidente per i cluster più piccoli, " ha detto Kowaleski. "I cluster più piccoli tendono ad avere prestazioni molto più scarse. Ciò non è dovuto semplicemente al fatto che si tratta di una dimensione dell'insieme più piccola perché, tutte le cose considerate, se aumenti semplicemente la dimensione dell'ensemble semplicemente aggiungendo più membri, otterrai prestazioni migliori fino a un certo livello. Ma questi piccoli gruppi erano così poveri che stavano facendo peggio di un membro dell'ensemble selezionato casualmente".

Tra gli altri risultati, i ricercatori, che riportano i loro risultati in un recente numero di Weather and Forecasting, sono stati in grado di ridurre gli errori che potrebbero influenzare le previsioni rimuovendo questi piccoli cluster.

Secondo Kowaleski, mentre la maggior parte delle persone sa che gli uragani sono pericolosi, spesso non considerano che i rischi delle tempeste variano ampiamente da un luogo all'altro a causa di fattori come le maree e la topografia locale. Però, il raggruppamento può aiutare i meteorologi a prevedere meglio la varietà di scenari in diverse località lungo il percorso della tempesta e ottenere avvisi più precisi per le persone che potrebbero non essere consapevoli del cambiamento della situazione meteorologica.

"Un uragano presenta una vasta area di pericoli, " ha detto Kowaleski. "Se sei un azionista o una persona che vive sulla costa, non importa dove sia il centro geografico della tempesta e quale sia la velocità massima del vento. Ciò che alla fine ti interessa sono le gravi condizioni che tu e la tua comunità vivrete".

Lo studio include oltre 120 eventi di previsione presi dal Nord Atlantico, Pacifico settentrionale orientale, previsioni del Pacifico centrale, tempeste del Pacifico settentrionale occidentale, Pacifico meridionale e Oceano Indiano meridionale. I ricercatori hanno ottenuto dal THORPEX Interactive Grand Global Ensemble le previsioni per i cicloni tropicali che si sono verificati tra il 2017 e il 2018. o TIGGE. I dati TIGGE utilizzati in questo studio sono forniti dal Centro europeo per le previsioni meteorologiche a medio termine, il Sistema di previsione globale dell'insieme dei centri nazionali per la previsione ambientale (NCEP), il sistema di previsione dell'insieme globale del Met Office del Regno Unito e il sistema di previsione dell'insieme globale dell'ambiente canadese.

I calcoli per questo studio sono stati condotti sull'Institute for Computational and Data Sciences (ICDS) Advanced CyberInfrastructure (ICDS-ACI).