Vid väderprognoser, meteorologer använder ett antal modeller och datakällor för att spåra former och rörelser av moln som kan indikera allvarliga stormar. Dock, med alltmer växande väderdatauppsättningar och hotande tidsfrister, det är nästan omöjligt för dem att övervaka alla stormformationer-särskilt i mindre skala-i realtid.

Nu, det finns en datormodell som kan hjälpa prognosmakare att igenkänna potentiella allvarliga stormar snabbare och mer exakt, tack till ett team av forskare vid Penn State, AccuWeather, Inc., och universitetet i Almería i Spanien. De har utvecklat ett ramverk baserat på maskininlärning linjära klassificerare - ett slags artificiell intelligens - som detekterar rotationsrörelser i moln från satellitbilder som annars hade gått obemärkt förbi. Denna AI -lösning kördes på Bridges superdator vid Pittsburgh Supercomputing Center.

Steve Wistar, senior rättsmedicinsk meteorolog på AccuWeather, sa att det här verktyget för att rikta blicken mot potentiellt hotfulla formationer kan hjälpa honom att göra en bättre prognos.

"Den allra bästa prognosen innehåller så mycket data som möjligt, "sa han." Det finns så mycket att ta in, eftersom atmosfären är oändligt komplex. Genom att använda modellerna och data vi har [framför oss], vi tar en ögonblicksbild av atmosfärens mest kompletta utseende. "

I deras studie, forskarna arbetade med Wistar och andra AccuWeather -meteorologer för att analysera mer än 50, 000 historiska amerikanska väder satellitbilder. I dem, experter identifierade och märkte formen och rörelsen för "kommaformade" moln. Dessa molnmönster är starkt associerade med cyklonformationer, som kan leda till allvarliga väderhändelser inklusive hagel, åskväder, kraftig vind och snöstorm.

Sedan, använda datorsyn och maskininlärningsteknik, forskarna lärde datorer att automatiskt känna igen och upptäcka kommaformade moln i satellitbilder. Datorerna kan sedan hjälpa experter genom att påpeka i realtid var, i ett hav av data, kan de rikta sin uppmärksamhet för att upptäcka uppkomsten av hårt väder.

"Eftersom det kommaformade molnet är en visuell indikator på allvarliga väderhändelser, vårt system kan hjälpa meteorologer att förutse sådana händelser, "sa Rachel Zheng, en doktorand vid College of Information Sciences and Technology i Penn State och huvudforskaren på projektet.

Forskarna fann att deras metod effektivt kan upptäcka kommaformade moln med 99 procents noggrannhet, i genomsnitt 40 sekunder per förutsägelse. Det kunde också förutsäga 64 procent av allvarliga väderhändelser, överträffar andra befintliga metoder för detektering av allvarligt väder.

"Vår metod kan fånga de flesta mänskligt märkta, kommaformade moln, "sa Zheng." Dessutom, vår metod kan upptäcka några komma-formade moln innan de är helt formade, och våra upptäckter är ibland tidigare än mänskliga ögonigenkänning. "

"Vår affärs uppmaning är att rädda liv och skydda egendom, "tillade Wistar." Det mer avancerade meddelandet till människor som skulle drabbas av en storm, desto bättre tillhandahåller vi den tjänsten. Vi försöker få ut den bästa informationen så tidigt som möjligt. "

Detta projekt förstärker tidigare arbete mellan AccuWeather och en College of IST -forskargrupp under ledning av professor James Wang, som är avhandlingsrådgivare för Zheng.

"Vi insåg när vårt samarbete började [med AccuWeather 2010] att en stor utmaning för meteorologer och klimatologer var att förstå den stora och ständigt ökande mängden data som genereras av jordobservationssatelliter, radar och sensornätverk, "sa Wang." Det är viktigt att ha datoriserade system att analysera och lära av data så att vi kan tillhandahålla tid och korrekt tolkning av data i tidskänsliga applikationer, till exempel prognoser för allvarligt väder. "

Han lade till, "Denna forskning är ett tidigt försök att visa genomförbarheten av artificiell intelligensbaserad tolkning av väderrelaterad visuell information till forskarsamhället. Mer forskning för att integrera detta tillvägagångssätt med befintliga numeriska väderprognosmodeller och andra simuleringsmodeller kommer sannolikt att göra väderprognosen mer exakt och användbar för människor. "

Avslutad Wistar, "Fördelen [med denna forskning] uppmärksammar en mycket upptagen prognosmakare på något som annars kan ha förbisetts."