Orkanen Ida var bland de mest intensiva och skadliga orkanerna i Louisianas historia. Den våldsamma stormen steg till en kategori 1 -orkan under fredagen, Den 27 augusti klättrade den sedan ytterligare två kategorier på två dagar, hoppa från kategori 3 till 4 på bara en timme.

Tack och lov, prognosmodeller hjälper oss att förutse när, var, och hur starkt orkaner kan slå till. Men en sådan snabb intensifiering - Ida är det senaste exemplet - kan undvika förutsägelserna för även de bästa modellerna. Att exakt förutse de korta fönster där dessa våldsamma stormar vågar och förstärks är en kvarvarande blind fläck inom orkanprognosgemenskapen.

Nu, tack vare en ny modell som utvecklats av forskare vid Department of Energy's Pacific Northwest National Laboratory, bättre förutsäga orkanintensitet både inom en snar framtid och under framtida klimatscenarier är inom räckhåll. Med hjälp av artificiell intelligensteknik, laget skapade en modell som kan, i genomsnitt, mer exakt förutsäga orkanintensitet i förhållande till modeller som används på nationell nivå. Och den kan köras på en kommersiell bärbar dator.

Fyller ett tomrum i orkanprognoser

Vissa orkanmodeller spårar statistiska samband mellan stormbeteende och platser. Andra beräknar komplexa rörelser vid spel inom jordens atmosfär. När de är sammankopplade, sådana modeller hjälper incidentchefer att sätta in resurser som räddningshelikoptrar eller båtar så att kustsamhällen är bättre förberedda att navigera i dessa naturkatastrofer.

Men, som vilken simulering som helst av ett oerhört komplext system, dessa modeller gör fel.

"Det finns så många exempel på hur orkanprognoser misslyckas, "sade PNNL -jordforskaren Karthik Balaguru, som var medförfattare till studien. "Om du säger till alla att stormen kommer att vara en kategori 2, men plötsligt blir det en kategori 4, det är naturligtvis ett stort problem. "

För att möta behovet av bättre intensitetsprognoser, Balaguru och hans medförfattare sökte djupinlärning:en typ av maskininlärning där forskare matar information till algoritmer som, I detta fall, upptäcka samband mellan orkanbeteende och klimatfaktorer som värme lagrad i havet, vindhastighet, och lufttemperatur. Algoritmerna bildar sedan förutsägelser om vilken väg en storm kan ta, hur stark den kan bli och hur snabbt den kan intensifieras.

Den nya modellen, sa PNNL -datavetenskaparen Wenwei Xu, som ledde studien, bygger på samma data som andra orkanmodeller. Men det skiljer sig i användningen av neurala nätverk:ett system av artificiella neuroner som efterliknar beräkningen av den mänskliga hjärnan, ger modellen möjlighet att göra förutsägelser.

"Det har skett en explosion av modelleringsmöjligheter som möjliggjorts av djupinlärning sedan omkring 2015, "sa Xu." Vi har sett maskininlärning integrerat i andra områden, men inte i operativa orkanprognoser. "Bara en handfull studier har tillämpat artificiell intelligensteknik för att skapa förutsägelser kring orkaner.

Förstå orkaner i en varmare värld

Teamet är mest upphetsad över modellens förmåga att projicera hur orkanbeteende kan förändras i olika klimatscenarier. National Oceanic and Atmospheric Administration förutspår att orkanintensiteten kommer att stiga, i genomsnitt, med en till 10 procent i en varmare framtid, för med sig större destruktiv kraft, enligt modeller som ger två grader Celsius global uppvärmning.

Tidigare forskning av Balaguru och andra PNNL -forskare visade att stora orkaner intensifieras starkare och snabbare nu än under de senaste 30 åren. Den nya modellen kan generera tusentals simulerade orkaner, sade Balaguru, ger chansen att bättre förstå hur risken utvecklas i en varmare värld.

"Om du känner till havets tillstånd och atmosfären idag, "sade Balaguru, "och du känner till stormens tillstånd, kan du förutse vad det kommer att bli 24 till 48 timmar senare? Vad sägs om 30 år senare, när det är mycket global uppvärmning och vi har ett annat klimat? Det är ett annat problem, en annan uppsättning frågor, och vår modell kan ta itu med dem. "

Den kraften hjälper också till att hantera en mångårig dataknapphetsfråga inom prognosgemenskapen. Bara 8 till 10 orkaner slår till på ett år, sade Balaguru, och robusta register över orkandata började först när satellitanvändning blev utbredd för cirka 40 år sedan. Att producera mer simulerade orkaner innebär att mer data finns tillgänglig för att ytterligare utveckla en grundläggande förståelse för orkanbeteende.

Testtekniker

För att utforska modellens förutsägbarhet, laget genomförde tester för att simulera en realtidsprognos. Först, de utbildade den nya modellen genom att mata den med kända klimatdata från tidigare orkaner, fram till 2018. Modellen bildade sedan förutsägelser för åren 2019 och 2020 baserat på vad den hade lärt sig från tidigare data. Forskarna jämförde den nya modellens förutsägelser mot flera andra prognosmodeller som används på nationell nivå genom att räkna upp varje modells förutsägelsefel.

Den nya tekniken reducerade intensitetsprognosfel med hela 22 procent jämfört med konventionella modeller. "Även en förbättring på fem procent är en stor sak, "sa Balaguru. I genomsnitt är han lade till, felstorleken minskas i konventionella orkanmodeller med ungefär en procent varje år. Den nya tekniken förutsade också korrekt fler fall av snabb intensifiering än jämförelsemodellerna.

Den nya tekniken tar betydligt mindre datorkraft än många andra modeller - så lite att den kan köras på en kommersiell bärbar dator, ger tillgång till dem som inte arbetar med högpresterande datorer.

Detta arbete stöddes av PNNL:s Deep Learning for Scientific Discovery Science Agile Investment, samt programområdet MultiSector Dynamics i DOE:s Office of Science. Ytterligare stöd gavs av programområdet Regional och Global Model Analysis inom Office of Science. Den modellkod som tillämpas i studien är tillgänglig för allmän användning. Författarna planerar att dela modellens produktion med andra grupper inom kollaborativ orkanforskning.

Studien, "Djupinlärningsexperiment för prognoser för tropisk cyklonintensitet, "där denna modell beskrivs, publicerades i augustiutgåvan av Weather and Forecasting, en tidskrift för American Meteorological Society.