A mesma técnica de inteligência artificial normalmente usada em sistemas de reconhecimento facial pode ajudar a melhorar a previsão de tempestades de granizo e sua gravidade, de acordo com um novo estudo do National Center for Atmospheric Research (NCAR).

Em vez de se concentrar nas características de um rosto individual, os cientistas treinaram um modelo de aprendizado profundo chamado rede neural convolucional para reconhecer características de tempestades individuais que afetam a formação de granizo e o tamanho do granizo, ambos são notoriamente difíceis de prever.

Os resultados promissores, publicado na American Meteorological Society's Revisão Mensal do Tempo , destacam a importância de levar em consideração toda a estrutura de uma tempestade, algo que tem sido desafiador fazer com as técnicas existentes de previsão de granizo.

"Sabemos que a estrutura de uma tempestade afeta se a tempestade pode produzir granizo, "disse o cientista do NCAR David John Gagne, que liderou a equipe de pesquisa. "Uma supercélula tem mais probabilidade de produzir granizo do que uma linha de tempestade, por exemplo. Mas a maioria dos métodos de previsão de granizo apenas olha para uma pequena fatia da tempestade e não consegue distinguir a forma e a estrutura mais amplas. "

A pesquisa foi apoiada pela National Science Foundation, que é o patrocinador do NCAR.

"Granizo - particularmente granizo grande - pode ter impactos econômicos significativos na agricultura e na propriedade, "disse Nick Anderson, um oficial de programa da NSF. "Usar essas ferramentas de aprendizagem profunda de maneiras exclusivas fornecerá uma visão adicional sobre as condições que favorecem o granizo grande, melhorar as previsões do modelo. Este é um criativo, e muito útil, fusão de disciplinas científicas. "

A forma de tempestades

Se uma tempestade produz ou não granizo depende de uma miríade de fatores meteorológicos. O ar precisa estar úmido próximo à superfície da terra, mas seque mais alto. O nível de congelamento dentro da nuvem deve ser relativamente baixo em relação ao solo. Fortes correntes ascendentes que mantêm o granizo no ar por tempo suficiente para crescer são essenciais. Mudanças na direção e velocidade do vento em diferentes alturas dentro da tempestade também parecem desempenhar um papel

Mas mesmo quando todos esses critérios são atendidos, o tamanho das pedras de granizo produzidas pode variar notavelmente, dependendo do caminho que o granizo percorre durante a tempestade e das condições ao longo desse caminho. É aí que a estrutura da tempestade entra em jogo.

"A forma da tempestade é muito importante, "Gagne disse." No passado, tendíamos a nos concentrar em pontos únicos em uma tempestade ou em perfis verticais, mas a estrutura horizontal também é muito importante. "

Os modelos de computador atuais são limitados em termos de visualização devido à complexidade matemática necessária para representar as propriedades físicas de uma tempestade inteira. O aprendizado de máquina oferece uma solução possível porque ignora a necessidade de um modelo que realmente resolva todas as complicadas físicas de tempestades. Em vez de, a rede neural de aprendizado de máquina é capaz de ingerir grandes quantidades de dados, procure por padrões, e aprenda a si mesmo quais características de tempestade são cruciais para desligar para prever o granizo com precisão.

Para o novo estudo, Gagne se voltou para um tipo de modelo de aprendizado de máquina projetado para analisar imagens visuais. Ele treinou o modelo usando imagens de tempestades simuladas, junto com informações sobre temperatura, pressão, velocidade do vento, e direção como entradas e simulações de granizo resultantes dessas condições como saídas. As simulações meteorológicas foram criadas usando o modelo de pesquisa e previsão do tempo baseado em NCAR (WRF).

O modelo de aprendizado de máquina então descobriu quais recursos da tempestade estão correlacionados com o fato de haver granizo ou não e o tamanho das pedras de granizo. Depois que o modelo foi treinado e, em seguida, demonstrado que poderia fazer previsões bem-sucedidas, Gagne deu uma olhada para ver quais aspectos da tempestade a rede neural do modelo considerava os mais importantes. Ele usou uma técnica que essencialmente executou o modelo de trás para frente para localizar a combinação de características de tempestade que precisariam ser combinadas para dar a maior probabilidade de granizo forte.

Em geral, o modelo confirmou as características de tempestade que foram previamente associadas ao granizo, Disse Gagne. Por exemplo, tempestades com pressão abaixo da média perto da superfície e pressão acima da média perto do topo da tempestade (uma combinação que cria fortes correntes de ar) têm maior probabilidade de produzir granizo forte. O mesmo ocorre com as tempestades com ventos soprando do sudeste próximo à superfície e do oeste no topo. Tempestades com forma mais circular também têm maior probabilidade de produzir granizo.

Construindo em florestas aleatórias, testando com tempestades reais

Esta pesquisa se baseia no trabalho anterior de Gagne usando um tipo diferente de modelo de aprendizado de máquina - conhecido como floresta aleatória - para melhorar a previsão de granizo. Em vez de analisar imagens, modelos de floresta aleatórios fazem uma série de perguntas, muito parecido com um fluxograma, que são projetados para determinar a probabilidade de granizo. Essas perguntas podem incluir se o ponto de orvalho, temperaturas, ou os ventos estão acima ou abaixo de um certo limite. Cada "árvore" no modelo faz pequenas variações nas perguntas para chegar a uma resposta independente. Essas respostas são então calculadas em toda a "floresta, "dando uma previsão que é mais confiável do que qualquer árvore individual.

Para essa pesquisa, publicado em 2017, Gagne usou observações reais de tempestade para as entradas e tamanhos de granizo estimados por radar para as saídas para treinar o modelo. Ele descobriu que o modelo poderia melhorar a previsão de granizo em até 10%. O modelo de aprendizado de máquina agora foi executado operacionalmente durante as últimas várias primaveras para dar aos previsores em campo acesso a mais informações ao fazer previsões de granizo. Gagne está em processo de verificação de como a modelo se saiu nessas poucas temporadas.

A próxima etapa para o modelo de aprendizado de máquina mais recente é também começar a testá-lo usando observações de tempestade e granizo estimado por radar, com o objetivo de também fazer a transição desse modelo para uso operacional. Gagne está colaborando com pesquisadores da Universidade de Oklahoma neste projeto.

"Acho que este novo método é muito promissor para ajudar os meteorologistas a prever melhor um fenômeno climático capaz de causar danos graves, "Gagne disse." Estamos entusiasmados para continuar testando e refinando o modelo com observações de tempestades reais. "