ogni primavera, i ricercatori pubblicano le loro previsioni sulla prossima stagione degli uragani:quante tempeste possono formarsi, e quanto possono essere gravi. Ma cosa accadrebbe se potessi creare queste previsioni fino a un anno e mezzo in anticipo? Un nuovo modello della North Carolina State University incorpora l'apprendimento automatico per creare previsioni sugli uragani a lungo termine con una precisione simile a quelle attualmente in uso.

La maggior parte delle previsioni sugli uragani prima della stagione sono effettuate utilizzando modelli statistici che utilizzano dati ottimizzati dalla pressione al livello del mare, temperature della superficie del mare e altri dati climatici storici. Però, queste previsioni sono fatte da dati di serie temporali, il che significa che usano letture climatiche da una posizione o calcolate in media su una particolare area e periodo di tempo.

"I dati delle serie temporali sono unidimensionali:non contengono informazioni spaziali, cambia solo nel tempo, "dice Lian Xie, professore di marina, scienze della terra e dell'atmosfera presso la NC State e corrispondente autore di un articolo che descrive il lavoro.

"Stavamo esaminando ogni serie temporale di predittore in una posizione mediata in un determinato periodo di tempo ogni anno:ad esempio, anomalie della temperatura superficiale del mare mediate su alcune parti del Pacifico tropicale durante il mese di febbraio, " dice Xie. "Al contrario, il nuovo modello esamina i dati presi da molti luoghi specifici, e per ogni località, utilizza due punti dati al mese, aggiungendo un'importante componente spaziale alla previsione."

"I sistemi di uragani sono scandalosamente complessi, " dice il coautore Hamid Krim, professore di ingegneria elettrica e informatica presso la NC State. "Sappiamo che ciò che accade in luoghi distanti avrà un impatto e ha un impatto su altri luoghi attraverso la connettività dei sistemi meteorologici. Quindi un modello spazio-temporale ci fornisce un'immagine molto più accurata delle dinamiche di un sistema di uragani".

Il nuovo modello incorpora i dati storici di eventi meteorologici lontani come El Niño e La Niña, così come i dati provenienti da più posizioni in diversi momenti. Per addestrare il modello, i ricercatori hanno utilizzato dati semestrali dal 1951 al 2010.

I ricercatori vogliono utilizzare il nuovo modello per prevedere l'energia accumulata dai cicloni, o ASSO, al fine di prevedere quanto possa essere attiva una prossima stagione.

"ACE è un modo diverso di misurare quanto sia attiva la stagione degli uragani, oltre a cercare di dare un certo numero di tempeste, " Xie dice. " Calcola la quantità di energia cinetica che ogni uragano ha dall'inizio alla fine durante l'intera stagione. La somma di tutta quell'energia è ACE.

"Mentre l'ACE è solitamente altamente correlato con il numero di uragani, ad esempio, una stagione attiva avrà un ACE elevato:possono esserci differenze, " Xie dice. "Una stagione con un forte uragano di lunga durata e alcuni più piccoli potrebbe avere lo stesso ACE di una stagione con un numero maggiore di uragani di medio livello. Quindi i conteggi possono differire mentre l'ACE è lo stesso, ma la determinazione complessiva di una stagione come attiva o inattiva di solito sarà coerente con quella determinata dal conteggio degli uragani".

I ricercatori hanno convalidato il loro nuovo modello in finestre temporali di tre, sei, nove, 12 e 18 mesi contro sette anni di dati sugli uragani. Per tutte le previsioni il modello ha dimostrato una precisione paragonabile a quella raggiunta dai modelli attualmente in uso. Per la prossima stagione 2021, hanno in programma di utilizzare una combinazione di previsioni tradizionali e il nuovo modello, concentrandosi più su ACE che solo sui numeri delle tempeste.

Xie afferma che i risultati iniziali per le previsioni a lungo termine sembrano promettenti.

"Ci sono ovviamente errori con il modello, ma la sua accuratezza è paragonabile ad altre previsioni, con il vantaggio di ottenere un lead time più lungo, " Xie dice. "Questo è davvero solo il punto di partenza. Speriamo di poter continuare a migliorarlo nel tempo".

"Aggiungo che la sfida è prima di tutto comprendere più a fondo le complesse interazioni a lungo termine dei vari fattori, e poi catturarli matematicamente, " dice Crim.

L'opera appare in Atmosfera .