Samma artificiell intelligensteknik som vanligtvis används i ansiktsigenkänningssystem kan hjälpa till att förbättra förutsägelsen av hagelstormar och deras svårighetsgrad, enligt en ny studie från National Center for Atmospheric Research (NCAR).

Istället för att fokusera på egenskaperna hos ett enskilt ansikte, forskare utbildade en djupinlärningsmodell som kallas ett konvolutionellt neuralt nätverk för att känna igen egenskaper hos enskilda stormar som påverkar hagelbildningen och hur stora hagelstenarna kommer att bli, båda är notoriskt svåra att förutse.

De lovande resultaten, publicerad i American Meteorological Society's Månatlig väderöversikt , lyfta fram vikten av att ta hänsyn till hela stormens struktur, något som har varit utmanande att göra med befintliga hagelprognoser.

"Vi vet att strukturen hos en storm påverkar om stormen kan producera hagel, " sa NCAR-forskaren David John Gagne, som ledde forskargruppen. "En supercell är mer benägen att producera hagel än en stormlinje, till exempel. Men de flesta metoder för hagelprognoser tittar bara på en liten del av stormen och kan inte urskilja den bredare formen och strukturen."

Forskningen stöddes av National Science Foundation, som är NCAR:s sponsor.

"Hagel - särskilt stort hagel - kan ha betydande ekonomiska konsekvenser för jordbruk och egendom, sa Nick Anderson, en NSF-programansvarig. "Att använda dessa djupa inlärningsverktyg på unika sätt ger ytterligare insikt i de förhållanden som gynnar stor hagel, förbättra modellprognoser. Detta är en kreativ, och mycket användbart, sammanslagning av vetenskapliga discipliner. "

Formen av stormar

Huruvida en storm producerar hagel eller inte beror på otaliga meteorologiska faktorer. Luften måste vara fuktig nära landytan, men torka högre upp. Frysnivån i molnet måste vara relativt låg mot marken. Starka uppdrivningar som håller hageln högt tillräckligt länge för att bli större är viktiga. Förändringar i vindriktning och hastighet i olika höjder inom stormen verkar också spela en roll

Men även när alla dessa kriterier är uppfyllda, storleken på de producerade hagelstenarna kan variera anmärkningsvärt, beroende på vägen som hagelstenarna färdas genom stormen och förhållandena längs den vägen. Det är där stormstrukturen spelar in.

"Stormens form är verkligen viktig, ", sa Gagne. "Tidigare har vi tenderat att fokusera på enstaka punkter i en storm eller vertikala profiler, men den horisontella strukturen är också väldigt viktig."

Nuvarande datormodeller är begränsade i vad de kan titta på på grund av den matematiska komplexitet som krävs för att representera de fysiska egenskaperna hos en hel storm. Maskininlärning erbjuder en möjlig lösning eftersom den kringgår behovet av en modell som faktiskt löser all komplicerad stormfysik. Istället, det neurala nätverket för maskininlärning kan mata in stora mängder data, leta efter mönster, och lära sig vilka stormfunktioner som är avgörande för att stänga av för att exakt förutsäga hagel.

För den nya studien, Gagne vände sig till en typ av maskininlärningsmodell utformad för att analysera visuella bilder. Han tränade modellen med bilder av simulerade stormar, tillsammans med information om temperatur, tryck, vindhastighet, och riktning som indata och simuleringar av hagel som härrör från dessa förhållanden som utdata. Vädersimuleringarna skapades med hjälp av den NCAR-baserade Weather Research and Forecasting-modellen (WRF).

Maskininlärningsmodellen räknade sedan ut vilka drag i stormen som är korrelerade med huruvida det haglar eller hur stora hagelstenarna är. Efter att modellen tränats och sedan visat att den kunde göra framgångsrika förutsägelser, Gagne tittade för att se vilka aspekter av stormen modellens neurala nätverk tyckte var de viktigaste. Han använde en teknik som i huvudsak körde modellen baklänges för att lokalisera kombinationen av stormegenskaper som skulle behöva kombineras för att ge den högsta sannolikheten för kraftigt hagel.

I allmänhet, modellen bekräftade de stormdrag som tidigare har kopplats till hagel, sa Gagne. Till exempel, stormar som har lägre än genomsnittstryck nära ytan och högre än genomsnittstrycket nära stormtoppen (en kombination som skapar starka uppgångar) är mer benägna att producera kraftig hagel. Så även stormar med vindar som blåser från sydost nära ytan och från väster på toppen. Stormar med en mer cirkulär form är också mest benägna att producera hagel.

Bygga på slumpmässiga skogar, testning med faktiska stormar

Denna forskning bygger på Gagnes tidigare arbete med hjälp av en annan typ av maskininlärningsmodell - känd som en slumpmässig skog - för att förbättra hagelprognoser. Istället för att analysera bilder, slumpmässiga skogsmodeller ställer en rad frågor, ungefär som ett flödesschema, som är avsedda att bestämma sannolikheten för hagel. Dessa frågor kan inkludera om daggpunkten, temperaturer, eller vindar är över eller under en viss tröskel. Varje "träd" i modellen ställer små varianter på frågorna för att komma fram till ett oberoende svar. Dessa svar är sedan i genomsnitt över hela "skogen, ger en förutsägelse som är mer tillförlitlig än något enskilt träd.

För den forskningen, publicerad 2017, Gagne använde faktiska stormobservationer för ingångarna och radaruppskattade hagelstorlekar för utgångarna för att träna modellen. Han fann att modellen kunde förbättra hagelprognoser med så mycket som 10%. Maskininlärningsmodellen har nu körts operativt under de senaste fjädrarna för att ge prognosmakare på marken tillgång till mer information när de gör hagelprognoser. Gagne håller på att verifiera hur modellen gjorde under de få säsongerna.

Nästa steg för den nyare maskininlärningsmodellen är att också börja testa den med stormobservationer och radaruppskattade hagel, med målet att även överföra denna modell till operativ användning. Gagne samarbetar med forskare vid University of Oklahoma om detta projekt.

"Jag tror att den här nya metoden har mycket lovande att hjälpa prognosmakare att bättre förutsäga ett väderfenomen som kan orsaka allvarlig skada, ", sa Gagne. "Vi är glada över att fortsätta testa och förfina modellen med observationer av riktiga stormar."