Orkaan Ida was een van de meest intense en schadelijke orkanen in de geschiedenis van Louisiana. De hevige storm is vrijdag opgelopen tot een orkaan van categorie 1. 27 augustus. Daarna klom het in twee dagen nog twee categorieën, springen van categorie 3 naar 4 in slechts een uur.

Dankbaar, voorspellingsmodellen helpen ons te voorspellen wanneer, waar, en hoe sterk orkanen kunnen toeslaan. Maar zo'n snelle intensivering - Ida's meest recente voorbeeld - kan de voorspellingen van zelfs de beste modellen ontgaan. Het nauwkeurig voorspellen van de korte vensters waarin deze gewelddadige stormen oplaaien en versterken, is een blinde vlek binnen de orkaanvoorspellingsgemeenschap.

Nutsvoorzieningen, dankzij een nieuw model ontwikkeld door onderzoekers van het Pacific Northwest National Laboratory van het Department of Energy, een betere voorspelling van de orkaanintensiteit in zowel de nabije toekomst als onder toekomstige klimaatscenario's ligt binnen handbereik. Met behulp van kunstmatige-intelligentietechnieken, het team creëerde een model dat kan, gemiddeld, orkaanintensiteit nauwkeuriger voorspellen in vergelijking met modellen die op nationaal niveau worden gebruikt. En het kan draaien op een commerciële laptop.

Een leemte opvullen in orkaanvoorspellingen

Sommige orkaanmodellen volgen statistische relaties tussen stormgedrag en locaties. Anderen berekenen complexe bewegingen die in de atmosfeer van de aarde spelen. Wanneer aan elkaar gekoppeld, dergelijke modellen helpen incidentcommandanten bij het opzetten van middelen zoals reddingshelikopters of boten, zodat kustgemeenschappen beter voorbereid zijn om door deze natuurrampen te navigeren.

Maar, zoals elke simulatie van een enorm complex systeem, die modellen maken fouten.

"Er zijn zoveel voorbeelden van orkaanvoorspellingen die falen, " zei PNNL Aardwetenschapper Karthik Balaguru, die co-auteur was van de studie. "Als je iedereen vertelt dat de storm een ​​categorie 2 zal zijn, maar plotseling wordt het een categorie 4, dat is natuurlijk een groot probleem."

Om tegemoet te komen aan de behoefte aan betere voorspellingen van de intensiteit, Balaguru en zijn co-auteurs keken naar deep learning:een vorm van machine learning waarbij onderzoekers informatie invoeren in algoritmen die, in dit geval, relaties detecteren tussen orkaangedrag en klimaatfactoren zoals warmte opgeslagen in de oceaan, windsnelheid, en luchttemperatuur. De algoritmen vormen vervolgens voorspellingen over welk pad een storm kan volgen, hoe sterk het kon worden en hoe snel het kon intensiveren.

Het nieuwe model, zei PNNL-datawetenschapper Wenwei Xu, die de studie leidde, vertrouwt op dezelfde gegevens als andere orkaanmodellen. Maar het verschilt in het gebruik van neurale netwerken:een systeem van kunstmatige neuronen dat de berekening van het menselijk brein nabootst, waardoor het model voorspellingen kan doen.

"Sinds ongeveer 2015 is er een explosie van modelleringscapaciteiten mogelijk gemaakt door deep learning. " zei Xu. "We hebben gezien dat machine learning in andere gebieden is geïntegreerd, maar niet in operationele orkaanvoorspellingen." Slechts een handvol studies hebben kunstmatige-intelligentietechnieken toegepast om voorspellingen rond orkanen te vormen.

Orkanen begrijpen in een warmere wereld

Het team is het meest enthousiast over het vermogen van het model om te projecteren hoe orkaangedrag kan veranderen in verschillende klimaatscenario's. De National Oceanic and Atmospheric Administration voorspelt dat de orkaanintensiteit zal toenemen, gemiddeld, met één tot 10 procent in een warmere toekomst, grotere vernietigende kracht met zich meebrengend, volgens modellen die een opwarming van de aarde met twee graden Celsius voorspellen.

Eerder onderzoek van Balaguru en andere PNNL-wetenschappers toonde aan dat grote orkanen nu sterker en sneller intensiveren dan in de afgelopen 30 jaar. Het nieuwe model kan duizenden gesimuleerde orkanen genereren, zei Balaguru, biedt de kans om beter te begrijpen hoe risico's evolueert in een warmere wereld.

"Als je de toestand van de oceaan en de atmosfeer van vandaag kent, " zei Balaguru, "en je kent de staat van de storm, kun je voorspellen wat het 24 tot 48 uur later zal zijn? Hoe zit het met 30 jaar later, als er veel opwarming van de aarde is en we een ander klimaat hebben? Dat is een ander probleem, een andere reeks vragen, en ons model kan ze aanpakken."

Die kracht helpt ook bij het aanpakken van een al lang bestaand probleem met gegevensschaarste binnen de prognosegemeenschap. Slechts 8 tot 10 orkanen in een jaar, zei Balaguru, en robuuste registraties van orkaangegevens begonnen pas toen het gebruik van satellieten zo'n 40 jaar geleden wijdverbreid werd. Door meer gesimuleerde orkanen te produceren, zijn er meer gegevens beschikbaar om een ​​basisbegrip van het gedrag van orkanen verder te ontwikkelen.

Testtechnieken

Om de voorspellende kracht van het model te onderzoeken, het team voerde tests uit om een ​​realtime operationele prognose te simuleren. Eerst, ze hebben het nieuwe model getraind door het bekende klimaatgegevens van eerdere orkanen te geven, tot 2018. Het model deed vervolgens voorspellingen voor de jaren 2019 en 2020 op basis van wat het had geleerd van de gegevens uit het verleden. De onderzoekers vergeleken de voorspellingen van het nieuwe model met verschillende andere voorspellingsmodellen die op nationaal niveau worden gebruikt door de voorspellingsfouten van elk model te tellen.

De nieuwe techniek verminderde intensiteitsvoorspellingsfouten met maar liefst 22 procent in vergelijking met conventionele modellen. "Zelfs een verbetering van vijf procent is een groot probleem, " zei Balaguru. Gemiddeld hij voegde toe, de grootte van de fout wordt in conventionele orkaanmodellen met ongeveer één procent per jaar verminderd. De nieuwe techniek voorspelde ook correct meer gevallen van snelle intensivering dan de vergelijkingsmodellen.

De nieuwe techniek vereist aanzienlijk minder rekenkracht dan veel andere modellen - zo weinig dat het op een commerciële laptop kan worden uitgevoerd, toegang bieden aan degenen die niet met krachtige computers werken.

Dit werk werd ondersteund door PNNL's Deep Learning for Scientific Discovery Science Agile Investment, evenals het MultiSector Dynamics-programmagebied van DOE's Office of Science. Extra ondersteuning werd geboden door het programmagebied Regionale en Globale Modelanalyse binnen het Office of Science. De in het onderzoek gehanteerde modelcode is beschikbaar voor openbaar gebruik. De auteurs zijn van plan om de output van het model te delen met andere groepen in collaboratief orkaanonderzoek.

De studie, "Deep Learning-experimenten voor voorspellingen van tropische cycloonintensiteit, " waarin dit model wordt beschreven, werd gepubliceerd in het augustusnummer van Weather and Forecasting, een tijdschrift van de American Meteorological Society.