Dezelfde kunstmatige-intelligentietechniek die doorgaans wordt gebruikt in gezichtsherkenningssystemen, kan de voorspelling van hagelbuien en de ernst ervan helpen verbeteren, volgens een nieuwe studie van het National Center for Atmospheric Research (NCAR).

In plaats van in te zoomen op de kenmerken van een individueel gezicht, wetenschappers hebben een diepgaand leermodel getraind, een convolutioneel neuraal netwerk genaamd, om kenmerken van individuele stormen te herkennen die de vorming van hagel beïnvloeden en hoe groot de hagelstenen zullen zijn, beide zijn notoir moeilijk te voorspellen.

De veelbelovende resultaten, gepubliceerd in de American Meteorological Society's Maandelijkse weerbeoordeling , benadrukken hoe belangrijk het is om rekening te houden met de hele structuur van een storm, iets dat een uitdaging was om te doen met bestaande hagelvoorspellingstechnieken.

"We weten dat de structuur van een storm van invloed is op de vraag of de storm hagel kan produceren, " zei NCAR-wetenschapper David John Gagne, die het onderzoeksteam leidde. "Een supercel produceert eerder hagel dan een buienlijn, bijvoorbeeld. Maar de meeste hagelvoorspellingsmethoden kijken slechts naar een klein stukje van de storm en kunnen de bredere vorm en structuur niet onderscheiden."

Het onderzoek werd ondersteund door de National Science Foundation, dat is de sponsor van NCAR.

"Hagel - vooral grote hagel - kan aanzienlijke economische gevolgen hebben voor landbouw en eigendom, " zei Nick Anderson, een NSF-programmamedewerker. "Door deze deep learning-tools op unieke manieren te gebruiken, krijgt u extra inzicht in de omstandigheden die grote hagel, modelvoorspellingen te verbeteren. Dit is een creatieve, en erg handig, samensmelting van wetenschappelijke disciplines."

De vorm van stormen

Of een storm al dan niet hagel veroorzaakt, hangt af van talloze meteorologische factoren. De lucht moet dicht bij het landoppervlak vochtig zijn, maar droog hogerop. Het vriesniveau in de wolk moet relatief laag bij de grond zijn. Sterke opwaartse stromingen die de hagel lang genoeg in de lucht houden om groter te worden, zijn essentieel. Veranderingen in windrichting en -snelheid op verschillende hoogtes binnen de storm lijken ook een rol te spelen

Maar zelfs als aan al deze criteria wordt voldaan, de grootte van de geproduceerde hagelstenen kan opmerkelijk variëren, afhankelijk van het pad reizen de hagelstenen door de storm en de omstandigheden langs dat pad. Dat is waar stormstructuur in het spel komt.

"De vorm van de storm is heel belangrijk, "Gagne zei. "In het verleden hebben we de neiging gehad om ons te concentreren op enkele punten in een storm of verticale profielen, maar de horizontale structuur is ook heel belangrijk."

De huidige computermodellen zijn beperkt in wat ze kunnen bekijken vanwege de wiskundige complexiteit die nodig is om de fysieke eigenschappen van een hele storm weer te geven. Machine learning biedt een mogelijke oplossing omdat het de behoefte aan een model omzeilt dat daadwerkelijk alle gecompliceerde stormfysica oplost. In plaats daarvan, het machine learning neurale netwerk kan grote hoeveelheden gegevens opnemen, patronen zoeken, en leer zichzelf welke stormkenmerken cruciaal zijn om af te sluiten om hagel nauwkeurig te voorspellen.

Voor de nieuwe studie Gagne wendde zich tot een soort machine learning-model dat is ontworpen om visuele beelden te analyseren. Hij trainde het model met behulp van afbeeldingen van gesimuleerde stormen, samen met informatie over temperatuur, druk, windsnelheid, en richting als inputs en simulaties van hagel als gevolg van die omstandigheden als output. De weersimulaties zijn gemaakt met behulp van het op NCAR gebaseerde Weather Research and Forecasting-model (WRF).

Het machine learning-model ontdekte vervolgens welke kenmerken van de storm gecorreleerd zijn met het al dan niet hagelen en hoe groot de hagelstenen zijn. Nadat het model was getraind en vervolgens had aangetoond dat het succesvolle voorspellingen kon doen, Gagne nam een ​​kijkje om te zien welke aspecten van de storm het neurale netwerk van het model het belangrijkst vond. Hij gebruikte een techniek die het model in wezen achteruit liet lopen om de combinatie van stormkenmerken te lokaliseren die samen zouden moeten komen om de grootste kans op hevige hagel te geven.

In het algemeen, het model bevestigde die stormkenmerken die eerder in verband werden gebracht met hagel, zei Gagna. Bijvoorbeeld, stormen met een lager dan gemiddelde druk nabij het oppervlak en een hoger dan gemiddelde druk nabij de stormtop (een combinatie die sterke opwaartse stromingen veroorzaakt) hebben meer kans op zware hagel. Dat geldt ook voor stormen met wind uit het zuidoosten aan de oppervlakte en uit het westen aan de bovenkant. Stormen met een meer ronde vorm hebben ook de meeste kans op hagel.

Voortbouwend op willekeurige bossen, testen met echte stormen

Dit onderzoek bouwt voort op Gagne's eerdere werk met behulp van een ander soort machine learning-model - bekend als een willekeurig bos - om hagelvoorspelling te verbeteren. In plaats van beelden te analyseren, willekeurige bosmodellen stellen een reeks vragen, net als een stroomdiagram, die zijn ontworpen om de kans op hagel te bepalen. Deze vragen kunnen zijn of het dauwpunt, temperaturen, of winden boven of onder een bepaalde drempel liggen. Elke "boom" in het model vraagt ​​kleine varianten op de vragen om tot een onafhankelijk antwoord te komen. Die antwoorden worden dan gemiddeld over het hele "bos, " een voorspelling geven die betrouwbaarder is dan welke individuele boom dan ook.

Voor dat onderzoek gepubliceerd in 2017, Gagne gebruikte feitelijke stormwaarnemingen voor de inputs en de door de radar geschatte hagelgroottes voor de outputs om het model te trainen. Hij ontdekte dat het model de hagelvoorspelling met maar liefst 10% kon verbeteren. Het machine learning-model is de afgelopen lentes nu operationeel gebruikt om voorspellers op de grond toegang te geven tot meer informatie bij het maken van hagelvoorspellingen. Gagne is bezig om te verifiëren hoe het model het in die paar seizoenen heeft gedaan.

De volgende stap voor het nieuwere machine learning-model is om het ook te testen met behulp van stormwaarnemingen en radargeschatte hagel, met als doel dit model ook operationeel te maken. Gagne werkt aan dit project samen met onderzoekers van de University of Oklahoma.

"Ik denk dat deze nieuwe methode veel belooft om voorspellers te helpen een weersfenomeen dat ernstige schade kan veroorzaken, beter te voorspellen, " zei Gagne. "We zijn verheugd om door te gaan met het testen en verfijnen van het model met observaties van echte stormen."