L'uragano Ida è stato tra gli uragani più intensi e dannosi nella storia della Louisiana. La violenta tempesta è diventata un uragano di categoria 1 venerdì, 27 agosto. Ha poi scalato altre due categorie in due giorni, saltando dalla categoria 3 alla 4 in solo un'ora.

per fortuna, i modelli di previsione ci aiutano a prevedere quando, dove, e con quanta forza possono colpire gli uragani. Ma un'intensificazione così rapida - l'esempio più recente di Ida - può eludere le previsioni anche dei modelli migliori. Prevedere con precisione le brevi finestre in cui queste violente tempeste si alzano e si rafforzano è un punto cieco persistente all'interno della comunità di previsione degli uragani.

Ora, grazie a un nuovo modello sviluppato dai ricercatori del Pacific Northwest National Laboratory del Department of Energy, prevedere meglio l'intensità degli uragani sia nel prossimo futuro che in scenari climatici futuri è a portata di mano. Utilizzando tecniche di intelligenza artificiale, il team ha creato un modello che può, in media, prevedere in modo più accurato l'intensità degli uragani rispetto ai modelli utilizzati a livello nazionale. E può essere eseguito su un laptop commerciale.

Colmare una lacuna nelle previsioni sugli uragani

Alcuni modelli di uragani tengono traccia delle relazioni statistiche tra il comportamento delle tempeste e le posizioni. Altri calcolano movimenti complessi in gioco all'interno dell'atmosfera terrestre. Quando accoppiati insieme, tali modelli aiutano i comandanti degli incidenti a organizzare risorse come elicotteri di salvataggio o barche in modo che le comunità costiere siano meglio preparate a navigare in questi disastri naturali.

Ma, come ogni simulazione di un sistema estremamente complesso, quei modelli commettono errori.

"Ci sono così tanti esempi di fallimenti delle previsioni sugli uragani, " ha detto lo scienziato della Terra PNNL Karthik Balaguru, chi è coautore dello studio. "Se dici a tutti che la tempesta sarà di categoria 2, ma improvvisamente diventa una Categoria 4, ovviamente è un grosso problema".

Per rispondere alla necessità di migliori previsioni di intensità, Balaguru e i suoi coautori hanno guardato al deep learning:un tipo di apprendimento automatico in cui i ricercatori forniscono informazioni ad algoritmi che, in questo caso, rilevare le relazioni tra il comportamento degli uragani e fattori climatici come il calore immagazzinato nell'oceano, velocità del vento, e temperatura dell'aria. Gli algoritmi quindi formano previsioni su quale percorso potrebbe prendere una tempesta, quanto forte potrebbe diventare e quanto velocemente potrebbe intensificarsi.

Il nuovo modello, ha affermato lo scienziato dei dati PNNL Wenwei Xu, che ha condotto lo studio, si basa sugli stessi dati di altri modelli di uragani. Ma differisce nell'uso delle reti neurali:un sistema di neuroni artificiali che imitano il calcolo del cervello umano, consentire al modello di fare previsioni.

"C'è stata un'esplosione di capacità di modellazione resa possibile dal deep learning intorno al 2015, " ha detto Xu. "Abbiamo visto l'apprendimento automatico incorporato in altri campi, ma non nelle previsioni operative degli uragani." Solo una manciata di studi ha applicato tecniche di intelligenza artificiale per formare previsioni sugli uragani.

Capire gli uragani in un mondo più caldo

Il team è molto entusiasta della capacità del modello di proiettare come il comportamento degli uragani può cambiare in diversi scenari climatici. La National Oceanic and Atmospheric Administration prevede che l'intensità degli uragani aumenterà, in media, dall'1 al 10% in un futuro più caldo, portando con sé una maggiore forza distruttiva, secondo modelli che proiettano due gradi Celsius di riscaldamento globale.

Precedenti ricerche di Balaguru e di altri scienziati del PNNL hanno mostrato che i grandi uragani si intensificano più fortemente e rapidamente ora che negli ultimi 30 anni. Il nuovo modello può generare migliaia di uragani simulati, disse Balaguru, offrendo la possibilità di comprendere meglio come si evolve il rischio in un mondo più caldo.

"Se conosci lo stato dell'oceano e dell'atmosfera oggi, " disse Balaguru, "e tu conosci lo stato della tempesta, puoi prevedere cosa sarà 24-48 ore dopo? Che dire di 30 anni dopo, quando c'è molto riscaldamento globale e abbiamo un clima diverso? Questo è un problema diverso, una serie diversa di domande, e il nostro modello può affrontarli."

Questo potere può anche aiutare ad affrontare un problema di scarsità di dati di vecchia data all'interno della comunità di previsione. Solo da 8 a 10 uragani colpiscono in un anno, disse Balaguru, e solide registrazioni dei dati sugli uragani sono iniziate solo quando l'uso dei satelliti si è diffuso circa 40 anni fa. La produzione di più uragani simulati significa che sono disponibili più dati per aiutare a sviluppare ulteriormente una comprensione di base del comportamento degli uragani.

Tecniche di prova

Per esplorare il potere predittivo del modello, il team ha condotto dei test per simulare una previsione operativa in tempo reale. Primo, hanno addestrato il nuovo modello alimentandolo con i dati climatici noti degli uragani passati, fino al 2018. Il modello ha quindi formato previsioni per gli anni 2019 e 2020 sulla base di quanto appreso dai dati passati. I ricercatori hanno confrontato le previsioni del nuovo modello con diversi altri modelli di previsione utilizzati a livello nazionale calcolando gli errori di previsione di ciascun modello.

La nuova tecnica ha ridotto gli errori di previsione dell'intensità fino al 22% rispetto ai modelli convenzionali. "Anche un miglioramento del cinque percento è un grosso problema, " ha detto Balaguru. In media, Ha aggiunto, l'entità dell'errore è ridotta nei modelli convenzionali di uragano di circa l'uno per cento ogni anno. La nuova tecnica ha anche previsto correttamente più casi di rapida intensificazione rispetto ai modelli di confronto.

La nuova tecnica richiede una potenza di calcolo significativamente inferiore rispetto a molti altri modelli, così poco che può essere eseguita su un laptop commerciale, portando l'accesso a coloro che non lavorano con computer ad alte prestazioni.

Questo lavoro è stato supportato dal Deep Learning for Scientific Discovery Science Agile Investment di PNNL, così come l'area del programma MultiSector Dynamics dell'Office of Science del DOE. Un ulteriore supporto è stato fornito dall'area del programma Regional and Global Model Analysis all'interno dell'Office of Science. Il codice modello applicato all'interno dello studio è disponibile per uso pubblico. Gli autori intendono condividere l'output del modello con altri gruppi nella ricerca collaborativa sugli uragani.

Lo studio, "Esperimenti di apprendimento approfondito per previsioni sull'intensità dei cicloni tropicali, " in cui viene descritto questo modello, è stato pubblicato nel numero di agosto di Weather and Forecasting, una rivista dell'American Meteorological Society.