Als een orkaan nadert, een paar uur van tevoren opzeggen kan het verschil zijn tussen leven en dood. Nutsvoorzieningen, Onderzoekers van Penn State melden dat het toepassen van een machine learning-techniek op een groep mogelijke stormpaden meteorologen zou kunnen helpen nauwkeurigere voorspellingen op middellange termijn te geven en tijdige waarschuwingen te geven aan gemeenschappen op het pad van deze potentieel dodelijke stormen.

In een onderzoek, de onderzoekers gebruikten machine learning om bepaalde groepen orkaanvoorspellingen uit ensembles te verwijderen - sets voorspellingen van weermodellen die zijn gebaseerd op een reeks weersmogelijkheden - om fouten te verminderen en voorspellingen vier tot zes dagen vooruit te verbeteren. Wetenschappers gebruiken deze ensemble-modellen omdat het weer zeer complex is en het proberen om zelfs maar een enkele gebeurtenis te voorspellen, enorme hoeveelheden gegevens oplevert. zei Jenni Evans, hoogleraar meteorologie en atmosferische wetenschappen en directeur van het Institute for Computational and Data Sciences.

"De modellen lopen iets anders veel, vele malen om een ​​ensemble van mogelijke toekomstige toestanden van de atmosfeer te creëren. Het is dit ensemble dat aan de voorspellers wordt gegeven, " zei Evans. "We kijken naar 120 verschillende voorspellingen op elk moment over de hele wereld, dan focussen op een individuele tyfoon of orkaan en vragen, 'Wat gaat deze storm in de toekomst doen?' Nutsvoorzieningen, als je die voorspellingen slechts een paar uur voordat hun voorspelling live gaat aan een voorspeller geeft, dat is een enorme hoeveelheid informatie om te verwerken. Dus, in plaats daarvan, we hebben geavanceerde statistieken en machine learning gebruikt om te proberen die 120 voorspellingen op te splitsen in vier tot zes clusters, waarbij elk cluster een duidelijke voorspelling vertegenwoordigt van de evolutie van de storm van alle andere clusters."

Weerwaarnemers kunnen deze ensembles beter herkennen als de verzameling kronkelige lijnen die mogelijke stormpaden tijdens het orkaanseizoen laten zien.

Hoewel deze modellen goed zijn en steeds beter worden, ze zijn verre van perfect, zei Evans. Elke voorspelling kan een kleine variatie verklaren in de vele variabelen waaruit het weer bestaat, zoals energie uit de oceaan en wolken, voegde ze eraan toe. Ook, ze richten zich vooral op het soort orkanen - zoals orkaan Sandy in 2012 en orkaan Isaias in 2020 - dat langs de kust en uit de tropen trekt.

"Deze stormen zijn over het algemeen moeilijker te voorspellen omdat hun omgeving tijdens hun leven zo veel verandert, "Zei Evans. "Als je naar de huidige modellen kijkt, ze zijn onvolmaakt omdat je niet elke watermolecuul kunt zien die je nodig zou hebben en elk stukje energie van de zon, en we weten ook dat de manier waarop we een deel van die informatie vertegenwoordigen, onvolmaakt is. Maar, als je wordt geconfronteerd met een orkaan, het is belangrijk om te weten wat voor soort storm je gaat krijgen - en wanneer je het gaat krijgen."

Zoals een boomverzorger die zwakke en beschadigde ledematen wegsnijdt zodat de rest van de boom kan bloeien, de onderzoekers verdeelden het ensemble in groepen voorspellingen, bekend als clusters, en "snoeide" degenen die naar verwachting slecht zouden presteren, volgens Alex Kowaleski, een postdoctoraal wetenschapper in meteorologie en atmosferische wetenschap. De onderzoekers ontdekten dat zeer kleine clusters de neiging hadden om veel slechter te presteren dan andere.

"Er is een sterke relatie tussen clustergrootte en clusterfout en het is het meest prominent voor de kleinste clusters, " zei Kowaleski. "De kleinste clusters hebben de neiging om veel slechter te presteren. Dat komt niet alleen doordat het een kleinere ensemblegrootte is, want alles bij elkaar genomen, als je de ensemblegrootte alleen maar vergroot door meer leden toe te voegen, je krijgt betere prestaties tot op een bepaald niveau. Maar deze kleine clusters waren zo arm dat ze het slechter deden dan een willekeurig gekozen ensemblelid."

Onder andere resultaten, de onderzoekers, die hun bevindingen rapporteren in een recent nummer van Weather and Forecasting, door het verwijderen van deze kleine clusters fouten die van invloed kunnen zijn op prognoses kunnen verminderen.

Volgens Kowaleski, terwijl de meeste mensen weten dat orkanen gevaarlijk zijn, ze zijn er vaak niet van overtuigd dat de gevaren van de stormen van plaats tot plaats sterk variëren als gevolg van factoren zoals getijden en lokale topografie. Echter, clustering kan voorspellers helpen de verscheidenheid aan scenario's op verschillende locaties langs het pad van de storm beter te voorspellen en nauwkeurigere waarschuwingen te krijgen voor mensen die zich mogelijk niet bewust zijn van de veranderende weersituatie.

"Een orkaan vormt een enorm gebied van gevaren, " zei Kowaleski. "Als u een belanghebbende bent of een persoon die aan de kust woont, het maakt niet uit waar het geografische centrum van de storm is en wat de maximale windsnelheid is. Waar je uiteindelijk om geeft, zijn de ernstige omstandigheden die jij en je gemeenschap zullen ervaren."

De studie omvat meer dan 120 voorspelde gebeurtenissen uit de Noord-Atlantische Oceaan, oostelijke noordelijke Stille Oceaan, voorspellingen voor de centrale Stille Oceaan, westelijke Noord-Pacific stormen, Stille Zuidzee en Zuid-Indische Oceaan. De onderzoekers verkregen spoorvoorspellingen voor tropische cyclonen die plaatsvonden in 2017 tot 2018 van het THORPEX Interactive Grand Global Ensemble, of TIGGE. De TIGGE-gegevens die in deze studie zijn gebruikt, worden geleverd door het European Centre for Medium-Range Weather Forecasts, het Global Ensemble Forecast System van de National Centers for Environmental Prediction (NCEP), het UK Met Office Global Ensemble Prediction System en het Environment Canada Global Ensemble Prediction System.

Berekeningen voor deze studie zijn uitgevoerd op het Institute for Computational and Data Sciences (ICDS) Advanced CyberInfrastructure (ICDS-ACI).