Bill Gallus har varit känd för att jaga en sommarstorm eller två. Men han behövde inte gå efter den här.

Den 17 juli, 2019, ett åskväder närmade sig Iowa State University campus. Gallus, professor i geologiska och atmosfäriska vetenskaper, gick mot taket ovanför sitt kontor i Agronomibyggnaden. Och han glömde inte en kamera.

Ett av hans bilder visar ett hyllmoln som markerar kanten av kraftiga åskväder. Molnets distinkta linje genomskärar fotot, låg, skarp och imponerande, ingen fluffighet här. Den vanligtvis upptagna Osborn Drive utanför kontoret är mestadels tom-några människor på gatan vänds nord-nordväst, se stormen.

"Smidigheten och låga höjden av ett hyllmoln gör det till en imponerande syn att observera, "Gallus skrev i en beskrivning av fotot." Det bildas när den snabbt rörliga kalla luften i ett åskväder sprider sig ut, lyft den varma fuktiga luften snabbt ovanför den. "

Vi har alla sett dussintals åskväder. Och National Weather Service registrerar pliktskyldigt alla och klassificerar deras styrka i sin Storm Reports -databas. För att ett åskväder ska märkas som "allvarligt, " till exempel, den måste producera en tornado, hagel större än 1 tum i diameter eller vindar över 58 mph.

Men de flesta åskväder mullrar inte över blåsinstrument. Så meteorologer har gjort vindberäkningar baserade på stormskador som träd ner, tak blåser bort eller skjul skjuter över. Och för det mesta, när den typen av vindskador rapporterades, åskväder klassades helt enkelt som svåra, utan riktiga mätningar som stöder beteckningen.

Det är ett problem för forskare som Gallus som behöver bra data för att hjälpa dem att utveckla bättre sätt att förutsäga allvarliga, lokaliserade åskväder.

Ett stort dataproblem

När Gallus hörde campuskollegor från Iowa State's Theoretical and Applied Data Science -forskargrupp tala om maskininlärning, han trodde att teknikens dataanalys skulle kunna hjälpa honom att studera och analysera databasen Storm Reports. Kanske kan datorerna hitta relationer eller kopplingar i rapporterna som kan leda till nya prognosverktyg?

Väl, inte så snabbt, sa forskare vid National Oceanic and Atmospheric Administration (NOAA).

Den befintliga databasen för åskväder som upprätthålls av National Centers for Environmental Information skulle inte vara till stor nytta för Gallus eller andra forskare som letar efter vinddata. Vindrapporterna var opålitliga. Rapporterna behövde rensas innan de kunde vara användbara för allvarliga vindstudier.

Så det är vad Gallus och ett team av datavetenskapare från Iowa State ska göra. Stöds av ett treårigt, $ 650, 000 NOAA -bidrag, de kommer att använda datorer och maskininlärningsverktyg för att skura rapporterna och identifiera sannolikheten för att var och en faktiskt beskriver ett åskväder med kraftiga vindar.

Det är ingen liten uppgift - Gallus sa att forskarna kommer att börja med 12 år med kraftiga åskväderrapporter. Det är cirka 180, 000 av dem.

"Och 90 procent av de 180, 000 rapporter innehåller vindberäkningar, "Gallus sa." De är inte baserade på väderstationsdata. Majoriteten av dem säger träd eller lemmar ner - någon ringde in och sa, "Mitt träd blåste ner." "

Att sortera igenom dessa rapporter väcker alla möjliga utmaningar för dataforskare, sa Eric Weber, en projektsamarbetspartner och Iowa State professor i matematik.

Först, han sa att rapporterna är fulla av data som samlats in av människor, inte med exakta och sofistikerade instrument. Rapporterna innehåller också naturliga, vardagligt språk. Det finns idiom, vändningar av fraser och till och med stavfel som måste analyseras av maskininlärningsprogramvaran.

Och för det andra, åskväder är mycket komplexa. Det finns många variabler - temperaturen på stigande luft, kondensation, regn, blixtar och mer - som måste samlas in, kvantifieras och analyseras för att förstå stormarna.

Weber - som beskriver maskininlärning som ett artificiellt neuralt nätverk som "gör anslutningar baserat på den information den har tillgänglig" - sa att datorprogramvaran kan hantera enorma mängder stormdata som skulle överväldiga grupper av människor.

Maskininlärningsprogramvara gör det också på ett mycket icke-mänskligt sätt.

"När vi tittar på data försöker vi förstå data som människor, "Sa Weber." Vi tar med oss ​​våra uppfattningar och fördomar. En av de främsta anledningarna till att maskininlärning används så framgångsrikt nu är att det inte ger förutfattade meningar om dess analys av data.

"Det kan hitta potentiella relationer som människor inte kan på grund av sina förutfattade meningar."

Mot bättre prognoser

När datorerna gör framsteg med stormrapporterna, Gallus sa att han kommer att tillhandahålla uppdateringar och demonstrationer på NOAA:s årliga, veckor långt farligt väder Testbädd i Norman, Oklahoma. Testbäddarna är under majtornado -säsongen och är ett tillfälle för forskare och prognosmakare att använda de senaste förutsägelseidéerna, verktyg och teknik.

Gallus hoppas kunna visa upp utvecklingen av åskväderundersökningen. Han kommer att samla in feedback och förslag. Och allt som så småningom kan leda till ett nytt prognosverktyg som förutsäger sannolikheten för att åskväder kommer att ge kraftiga vindar.

"Det viktigaste behovet av NOAA just nu är att städa upp databasen för bättre forskning, "Sade Gallus." Men vi har insett att om det här projektet går bra med maskininlärning, vi kunde se hur det kan fungera som ett förutsägelseverktyg. "