Sex stora orkaner som uppslukade Atlantbassängen 2017 var en förödande påminnelse om kustsamhällenas sårbarhet, där mer än hälften av USA:s befolkning bor.

Tänk om det fanns ett bättre sätt att förutse och kommunicera dessa stormars skadliga ekonomiska effekter, innan de händer?

Civilingenjörer vid Colorado State University har utvecklat ett innovativt nytt tillvägagångssätt för att bedöma kustsamhällenas motståndskraft mot orkaner. De har skapat en "multi-hazard orkaneffektnivåmodell, " som uppskattar ekonomiska skador orsakade av stormar, innan de händer.

Effektmodellen beskrivs i en nyligen publicerad artikel i Palgrave Communications , författad av Hussam Mahmoud, docent i civil- och miljöteknik, och Stephanie Pilkington, en doktorand i civilingenjör, som designat och validerat modellen.

"Vår modell förutspår stormar mer när det gäller effekter, ", förklarade Mahmoud. Prognosmakare kommunicerar vanligtvis om stormar som närmar sig genom att kategorisera ihållande vindhastigheter på Saffir-Simpson-skalan.

Vindhastighet, dock, är vanligtvis inte den främsta orsaken till dödsfall och förstörelse från orkaner, säger forskarna. De värsta effekterna orsakas vanligtvis av översvämningar, nederbörd och stormflod, kombinerat med landföringens geografi, befolkningstäthet, och kvaliteten på infrastrukturen. Forskarna ville komma på ett mer exakt sätt att prata om effekter. Deras mål är att tillhandahålla kommunikation om en tropisk storms förväntade ekonomiska skada, snarare än bara stormens meteorologiska intensitet, sa Pilkington.

Neurala nätverk

Mahmoud och Pilkingtons effektmodell använder artificiella neurala nätverk och maskininlärning för att "lära" ett datorprogram hur man förutsäger en väntande storms skada, efter dollarsiffra. Det neurala nätverket, som är som en konstgjord mänsklig hjärna som blir smartare ju mer data den matas, drivs av detaljerade historiska data från flera stormar. Dessa inkluderar orkanen Katrina 2005 och orkanen Arthur 2014.

Mahmoud och Pilkington använde dessa historiska data för att träna neurala nätverk för att koppla faktiska stormegenskaper till faktiska kända utfall från dessa stormar. För att mata sin modell, de använde allmänt tillgängliga data från federala myndigheter. Deras modell använder indata inklusive uppskattad landföring, drabbad befolkning, maximal vindhastighet, maximal stormflod, och total nederbörd.

Sedan, de testade modellen i realtid under faktiska stormar, inklusive senast orkanen Harvey, som träffade Gulf Coast runt Houston, Texas, i Augusti.

Förbättringarna har inte hållit i takt

Forskarna använde också sin modell för att analysera om fysiska och politiska förbättringar som havsväggar, det nationella översvämningsförsäkringsprogrammet, och uppdaterade byggregler har mildrat effekterna av kraftiga stormar. Kortfattat, de har inte, säger forskarna.

Enligt deras uppgifter, kustsamhällen i Florida eller Texas är ungefär lika ekonomiskt sårbara, eller ännu värre, till orkanförödelse som de var för 100 år sedan. Det är en nykter verklighet som ingenjörerna hoppas att deras arbete kan belysa.

Antalet människor som bor i kustsamhällen har ökat exponentiellt på 100 år, och med det, infrastruktur och motorvägar. "Förbättrade byggnormer och andra förändringar har inte varit tillräckligt för att hålla jämna steg med den stora mängden rikedom, infrastruktur och människor i dessa områden, " sa Pilkington.

Pilkington, vars intressen korsar varandra inom meteorologi och anläggningsteknik, vill att modellen ska göra verklig skillnad i människors liv. "Mitt slutgiltiga mål är att få det att användas av någon – oavsett om det är National Weather Service eller någon annanstans, " sa hon. "Vi borde kommunicera till allmänheten i termer av effekt istället för intensitet."

Mahmoud och Pilkington fortsätter att utveckla sin modell med bättre data, ger en ännu mer korrekt bild för orkaner framöver. De planerar också att använda den för att förutsäga effekterna av klimatförändringar.