Usando inteligencia artificial para predecir mejor el clima severo

Los meteorólogos utilizan formas y movimientos de nubes en imágenes de satélite como indicadores de varios tipos notables de tormentas severas. Sin embargo, como los datos de imágenes satelitales tienen una resolución progresivamente más alta, tanto espacial como temporalmente, los meteorólogos no pueden usar completamente los datos en sus pronósticos.

Ahora, un equipo de científicos de Penn State , AccuWeather , Inc. y la Universidad de Almería en España ha desarrollado un modelo informático que puede ayudar a los meteorólogos a percibir el potencial de tormentas severas con mayor rapidez y precisión.

El modelo de computadora en realidad se basa en clasificadores lineales de aprendizaje automático que identifican movimientos de rotación en las nubes a partir de imágenes de satélite que de otro modo podrían haber pasado desapercibidas.

Durante el estudio, los científicos trabajaron con Wistar y otros meteorólogos de AccuWeather para analizar más de 50,000 imágenes históricas de satélite meteorológico de los EE. UU. En ellos, los expertos identificaron y etiquetaron la forma y el movimiento de las nubes 'en forma de coma'. Estos patrones de nubes están fuertemente asociados con las formaciones de ciclones, que pueden conducir a eventos climáticos severos, como granizo, tormentas eléctricas, vientos fuertes y ventiscas.

Luego, mediante el uso de algoritmos de aprendizaje automático, los científicos enseñaron a las computadoras a reconocer y detectar automáticamente nubes en forma de coma en imágenes de satélite. Luego, las computadoras pueden ayudar a los expertos señalando en tiempo real dónde, en un océano de datos, podrían enfocar su atención para detectar la aparición de mal tiempo.

Steve Wistar, un meteorólogo forense de alto nivel en AccuWeather, dijo : "Tener esta herramienta para apuntar a las formaciones potencialmente amenazantes podría ayudarlo a hacer un mejor pronóstico".

“El mejor pronóstico incorpora la mayor cantidad de datos posible. Hay mucho para disfrutar, ya que la atmósfera es infinitamente compleja. Al usar los modelos y los datos que tenemos [frente a nosotros], estamos tomando una instantánea de la apariencia más completa de la atmósfera”.

Con una precisión del 99%, el sistema detectó efectivamente nubes en forma de coma a un promedio de 40 segundos por predicción. También fue capaz de predecir el 64 por ciento de los eventos climáticos severos, superando a otros métodos existentes de detección de clima severo.

Rachel Zheng, estudiante de doctorado en la Facultad de Ciencias de la Información y Tecnología de Penn State, dijo: “Nuestro método puede capturar la mayoría de las nubes con forma de coma etiquetadas por humanos. Además, nuestro método puede detectar algunas nubes en forma de coma antes de que estén completamente formadas, y nuestras detecciones a veces son más tempranas que el reconocimiento del ojo humano".

Wistar dijo: “La vocación de nuestro negocio es salvar vidas y proteger la propiedad. Cuanto más avanzado sea el aviso a las personas que se verán afectadas por una tormenta, mejor brindaremos ese servicio. Estamos tratando de obtener la mejor información lo antes posible".

Wang dijo : "Reconocimos cuando nuestra colaboración comenzó [con AccuWeather en 2010] que un desafío importante que enfrentan los meteorólogos y climatólogos era dar sentido a la gran cantidad de datos generados por satélites de observación de la Tierra, radares y redes de sensores".

"Es esencial que los sistemas computarizados analicen y aprendan de los datos para que podamos proporcionar una interpretación oportuna y adecuada de los datos en aplicaciones urgentes, como el pronóstico del tiempo severo".

“Esta investigación es un intento temprano de mostrar a la comunidad investigadora la viabilidad de la interpretación basada en inteligencia artificial de la información visual relacionada con el clima. Más investigación para integrar este enfoque con los modelos numéricos de predicción meteorológica existentes y otros modelos de simulación probablemente harán que el pronóstico del tiempo sea más preciso y útil para las personas ".

Además de Zheng, Wang y Wistar, el equipo de investigación incluyó a Yukun Chen, estudiante de doctorado en el Colegio de IST; Jianbo Ye, ex estudiante de doctorado en el Colegio de IST y actual científico aplicado en Amazon Lab 126; Jia Li, profesora de estadística en el Eberly College of Science de Penn State; Jose Piedra-Fernandez, miembro colaborador de la facultad de la Universidad de Almería, y Michael Steinberg, vicepresidente senior de AccuWeather, Inc.

El trabajo de los investigadores fue apoyado en parte por la National Science Foundation, el programa Amazon AWS Cloud Credits for Research y el programa de subvenciones GPU de NVIDIA Corporation, y se publicó en la edición del 6 de junio de 2019 de IEEE Transactions on Geoscience and Remote Sensing.