Home / ML Machine Learning / Il modello ML della Nasa per prevedere gli uragani

Il modello ML della Nasa per prevedere gli uragani

Tecnologia dietro il modello ML della Nasa per prevedere l’intensità degli uragani

Con una parte del mondo alle prese con gli effetti negativi degli uragani e degli intensi cicloni tropicali , è diventato fondamentale per i ricercatori e gli scienziati sviluppare un modo per prevedere e analizzare questi modelli di uragani. Pertanto, nel tentativo di prevedere la futura intensità degli uragani, gli scienziati del Jet Propulsion Laboratory della NASA nel sud della California hanno proposto un modello di apprendimento automatico che afferma di prevedere con precisione gli eventi di rapida intensificazione del futuro.

Il fattore critico per comprendere l’intensità di un uragano è la velocità del vento. Tradizionalmente è stata una sfida prevedere la gravità delle tempeste o degli uragani durante la fermentazione. Tuttavia, il nuovo modello ML della NASA può migliorare l’accuratezza della previsione e fornire risultati migliori.

Sviluppato navigando attraverso anni di dati satellitari , questo modello afferma di prevedere la forza dell’uragano, con previsioni più accurate. Ciò consente alle persone di preparare la strada prima che la tempesta colpisca effettivamente. Quando gli è stato chiesto, Hui Su, uno scienziato atmosferico del JPL, ha affermato che tale previsione è fondamentale per essere corretta a causa del potenziale danno che uragani e tempeste possono arrecare a persone e proprietà.

La panoramica della tecnologia dietro
I due fattori critici per prevedere con precisione gli uragani sono prevedere la sua traccia e la sua intensità. Sebbene la previsione del tracciato sia stata raggiunta con successo dagli scienziati, la previsione della sua gravità e delle sue caratteristiche interne è sempre stata una sfida. Non solo perché dipende dall’ambiente circostante , ma anche fatti come pioggia e vento possono essere difficili per una previsione accurata. Pertanto, per facilitare ciò, gli scienziati della NASA hanno lavorato su un’enorme quantità di dati raccolti da vari satelliti che identificano la quantità di precipitazioni, la velocità del vento e altri dati accessori relativi all’uragano, come nuvole, vapore acqueo, profili di temperatura ecc.

In primo luogo, gli scienziati hanno presentato le relazioni empiriche tra queste misurazioni e il futuro cambiamento dell’intensità degli uragani e hanno determinato l’osservazione che possono utilizzare per il loro modello di previsione operativa. In seguito, gli scienziati hanno mostrato l’abilità predittiva del modello di apprendimento automatico per una rapida intensificazione nella regione dell’Atlantico e del Pacifico settentrionale orientale con predittori combinati derivati ​​dalle osservazioni satellitari.

Durante l’esame del contenuto di ghiaccio e acqua liquida dai dati CloudSat, i ricercatori si sono resi conto che il rafforzamento dell’intensità delle tempeste e degli uragani ha un contenuto più elevato di ghiaccio e acqua liquida, ma non necessariamente superiore all’indebolimento degli uragani. Pertanto, sulla base della teoria dell’intensità potenziale degli uragani, la temperatura del deflusso nello strato tropicale della tropopausa è fondamentale per determinare l’intensità massima degli uragani. Ciò denota che è essenziale esaminare se le informazioni satellitari delle strutture delle tempeste possono essere sfruttate per prevedere l’intensità dei cicloni tropicali o degli uragani.

Sulla base della velocità del vento e dei dati analizzati con variazione di intensità di 24 ore, i ricercatori hanno creato quattro gruppi di intensità: depressione tropicale; tempesta tropicale; Uragani di categoria 1-2; uragani di categoria 3-5. Questi denotano un’intensificazione indebolita; intensificazione neutra; intensificandosi lentamente; e rapidamente intensificandosi, rispettivamente.

Il modello di machine learning
Durante il raggiungimento dei risultati, i ricercatori hanno notato che, in ciascuno dei gruppi, l’aumento dell’intensità degli uragani aumenta anche il tasso di precipitazione del nucleo interno, che aumenta anche il tasso di intensificazione. In questo studio, il nucleo interno si riferisce alla regione entro un raggio di circa 100 km dal centro della tempesta ei risultati non sembrano essere così accurati a causa di una certa asimmetria azimutale nella distribuzione delle precipitazioni composite. Pertanto, hanno deciso che un’analisi del numero d’onda della precipitazione centrata sulla tempesta potrebbe essere la chiave per prevedere risultati accurati .


Inoltre, per prevedere la potenza delle precipitazioni in eccesso e di altre misurazioni della struttura delle tempeste, i ricercatori hanno applicato tecniche di apprendimento automatico per prevedere una rapida intensificazione con predittori e parametri coinvolti. Utilizzando la regressione logistica, la foresta casuale, l’albero decisionale e lo studio IBM Watson , i ricercatori hanno costruito il loro modello ML Hurricane Intensity Forecast Scheme. I modelli ML sono stati addestrati per le regioni dell’Atlantico e dell’EPAC separatamente utilizzando la Rianalisi del Sistema di Previsioni Climatiche e il database GOES IR dal 1998 al 2008.

In seguito, il modello è in fase di test per una rapida intensificazione utilizzando i dati degli archivi National Centers for Environment Prediction, i dati del sistema di previsione globale e i dati sulla posizione per il periodo dal 2009 al 2014. Inoltre, per confrontare i risultati del modello ML, i ricercatori hanno eseguito contro il consenso sulla rapida intensificazione operativa della NHC derivante dalle repliche previste.

Con questi risultati in mano, i ricercatori hanno mostrato come l’osservazione satellitare delle strutture interne delle tempeste con parametri come la precipitazione, il contenuto di liquido e la temperatura del deflusso supportano una semplice relazione con il tasso di intensificazione degli uragani quando ordinati in base all’intensità della corrente.

Risultato e conclusione
Secondo i risultati, il modello di apprendimento automatico proposto produce notevoli miglioramenti per la previsione della rapida intensificazione (RI) nel bacino atlantico. Per episodi di RI così intensi, il modello del National Hurricane Center ha mostrato basse prestazioni nell’Atlantico. Tuttavia, il metodo proposto aumenta la probabilità di rilevamento degli eventi di intensificazione rapida di ~ 200% al costo di un rapporto di falsi allarmi superiore solo del 6%. Inoltre, l’abilità complessiva per questi episodi di intensificazione rapida è aumentata del 138%.

Tali numeri evidenziano che il modello sviluppato dai ricercatori può facilmente superare il modello tradizionale del 37% e il contributo aggiungendo le precipitazioni in eccesso è del 24%. I risultati suggeriscono che “l’applicazione intelligente dei recuperi satellitari nelle previsioni operative con tecniche automatiche ha un enorme potenziale”, hanno concluso i ricercatori.

Top

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi