MADRID, 19 Ago. (EUROPA PRESS) -
La misma técnica de inteligencia artificial que se usa en sistemas de reconocimiento facial podría ayudar a mejorar la predicción de las tormentas de granizo y su gravedad.
En lugar de concentrarse en las características de una cara individual, científicos del NCAR (National Center for Atmospheric Research), entrenaron un modelo de aprendizaje profundo llamado red neuronal convolucional para reconocer las características de las tormentas individuales que afectan la formación del granizo y el tamaño de las piedras de granizo, las cuales son notoriamente difíciles de predecir.
Los resultados, publicados en Monthly Weather Review de la Sociedad Meteorológica Estadounidense, resaltan la importancia de tener en cuenta toda la estructura de una tormenta, algo que ha sido difícil de hacer con las técnicas de pronóstico de granizo existentes.
"Sabemos que la estructura de una tormenta afecta si la tormenta puede producir granizo", dijo el científico del NCAR David John Gagne, quien dirigió el equipo de investigación. "Es más probable que una supercélula produzca granizo que una línea de turbonadas, por ejemplo. Pero la mayoría de los métodos de pronóstico de granizo solo miran una pequeña porción de la tormenta y no pueden distinguir la forma y estructura más amplias".
Los modelos informáticos actuales tienen un aspecto limitado debido a la complejidad matemática que se necesita para representar las propiedades físicas de una tormenta completa. El aprendizaje automático ofrece una posible solución porque evita la necesidad de un modelo que realmente resuelva toda la complicada física de tormentas. En cambio, la red neuronal de aprendizaje automático puede ingerir grandes cantidades de datos, buscar patrones y enseñarse qué características de tormenta son cruciales para predecir con precisión el granizo.
Para el nuevo estudio, Gagne recurrió a un tipo de modelo de aprendizaje automático diseñado para analizar imágenes visuales. Entrenó el modelo utilizando imágenes de tormentas simuladas, junto con información sobre temperatura, presión, velocidad y dirección del viento como entradas y simulaciones de granizo resultantes de esas condiciones como salidas. Las simulaciones del clima se crearon utilizando el modelo de Investigación y Pronóstico del Tiempo (WRF) basado en NCAR.
El modelo de aprendizaje automático descubrió qué características de la tormenta están correlacionadas con si graniza o no y qué tan grandes son las piedras de granizo. Después de que el modelo fue entrenado y luego demostró que podía hacer predicciones exitosas, Gagne echó un vistazo para ver qué aspectos de la tormenta la red neuronal del modelo pensaba que eran los más importantes.
Utilizó una técnica que esencialmente ejecutó el modelo hacia atrás para identificar la combinación de características de tormenta que tendrían que unirse para dar la mayor probabilidad de granizo severo.
En general, el modelo confirmó las características de la tormenta que anteriormente se habían relacionado con el granizo, dijo Gagne. Por ejemplo, las tormentas que tienen una presión inferior a la media cerca de la superficie y una presión superior a la media cerca de la cima de la tormenta (una combinación que crea fuertes corrientes ascendentes) tienen más probabilidades de producir granizo severo.
También lo son las tormentas con vientos que soplan desde el sureste cerca de la superficie y desde el oeste en la parte superior. Las tormentas con una forma más circular también son más propensas a producir granizo.