Bij het voorspellen van het weer, meteorologen gebruiken een aantal modellen en gegevensbronnen om vormen en bewegingen van wolken te volgen die op zware stormen kunnen duiden. Echter, met steeds groter wordende reeksen weergegevens en naderende deadlines, het is voor hen bijna onmogelijk om alle stormformaties - vooral kleinere - in realtime te volgen.

Nutsvoorzieningen, er een computermodel is waarmee voorspellers potentiële zware stormen sneller en nauwkeuriger kunnen herkennen, dankzij een team van onderzoekers van Penn State, AccuWeer, Inc., en de Universiteit van Almería in Spanje. Ze hebben een raamwerk ontwikkeld op basis van lineaire classificaties voor machinaal leren - een soort kunstmatige intelligentie - die rotatiebewegingen in wolken detecteert op basis van satellietbeelden die anders onopgemerkt zouden zijn gebleven. Deze AI-oplossing draaide op de Bridges-supercomputer in het Pittsburgh Supercomputing Center.

Steve Wistar, senior forensisch meteoroloog bij AccuWeather, zei dat het hebben van deze tool om zijn oog te richten op potentieel bedreigende formaties hem zou kunnen helpen om een ​​betere voorspelling te maken.

"De allerbeste prognoses bevatten zoveel mogelijk gegevens, "zei hij. "Er is zoveel om in je op te nemen, omdat de atmosfeer oneindig complex is. Door gebruik te maken van de modellen en de gegevens die we [voor ons] hebben, we nemen een momentopname van de meest complete uitstraling van de atmosfeer."

In hun studie hebben de onderzoekers werkten samen met Wistar en andere AccuWeather-meteorologen om meer dan 50, 000 historische Amerikaanse weersatellietbeelden. In hen, experts identificeerden en labelden de vorm en beweging van "kommavormige" wolken. Deze wolkenpatronen zijn sterk geassocieerd met cycloonformaties, die kunnen leiden tot ernstige weersomstandigheden, waaronder hagel, onweer, harde wind en sneeuwstormen.

Vervolgens, met behulp van computervisie en machine learning-technieken, de onderzoekers leerden computers om kommavormige wolken automatisch te herkennen en te detecteren in satellietbeelden. De computers kunnen dan experts helpen door in realtime aan te geven waar, in een oceaan van gegevens, konden ze hun aandacht richten om het begin van zwaar weer te detecteren.

"Omdat de kommavormige wolk een visuele indicator is van zware weersomstandigheden, ons schema kan meteorologen helpen dergelijke gebeurtenissen te voorspellen, " zei Rachel Zheng, een doctoraatsstudent aan het College of Information Sciences and Technology in Penn State en de hoofdonderzoeker van het project.

De onderzoekers ontdekten dat hun methode kommavormige wolken effectief kan detecteren met een nauwkeurigheid van 99 procent. met een gemiddelde van 40 seconden per voorspelling. Het was ook in staat om 64 procent van de ernstige weersomstandigheden te voorspellen, beter presteren dan andere bestaande detectiemethoden voor zwaar weer.

"Onze methode kan de meeste door mensen gelabelde, kommavormige wolken, "zei Zheng. "Bovendien, onze methode kan enkele kommavormige wolken detecteren voordat ze volledig zijn gevormd, en onze detecties zijn soms eerder dan herkenning door het menselijk oog."

"De roeping van ons bedrijf is om levens te redden en eigendommen te beschermen, " voegde Wistar toe. "De meer geavanceerde kennisgeving aan mensen die door een storm zouden worden getroffen, hoe beter we die service bieden. We proberen zo snel mogelijk de beste informatie naar buiten te krijgen."

Dit project verbetert eerder werk tussen AccuWeather en een onderzoeksgroep van het College of IST onder leiding van professor James Wang, wie is de dissertatieadviseur van Zheng.

"Toen onze samenwerking begon [met AccuWeather in 2010], erkenden we dat een belangrijke uitdaging voor meteorologen en klimatologen was om de enorme en voortdurend toenemende hoeveelheid gegevens te begrijpen die door aardobservatiesatellieten worden gegenereerd, radars en sensornetwerken, "zei Wang. "Het is essentieel dat geautomatiseerde systemen de gegevens analyseren en ervan leren, zodat we de gegevens tijdig en correct kunnen interpreteren in tijdgevoelige toepassingen zoals voorspellingen van zwaar weer."

Hij voegde toe, "Dit onderzoek is een vroege poging om de haalbaarheid van op kunstmatige intelligentie gebaseerde interpretatie van weergerelateerde visuele informatie aan de onderzoeksgemeenschap aan te tonen. Meer onderzoek om deze benadering te integreren met bestaande numerieke weersvoorspellingsmodellen en andere simulatiemodellen zal waarschijnlijk de weersvoorspelling nauwkeuriger en nuttiger voor mensen."

Geconcludeerd Wistar, "Het voordeel [van dit onderzoek] is dat de aandacht van een zeer drukke voorspeller wordt gevestigd op iets dat anders over het hoofd zou zijn gezien."