Predicción de rayos a muy corto plazo usando datos GOES

El aprendizaje profundo es una rama del aprendizaje automático basada en redes neuronales artificiales, que tienen la capacidad de aprender automáticamente las características específicas de los datos al aproximarse a cómo aprenden los humanos.

Se entrenó una red neuronal convolucional (convolutional neural network, CNN) con más de 23,000 imágenes de datos del generador de imágenes de línea de base avanzada (ABI) del GOES-16 para predecir la probabilidad de rayos, dentro de cualquier píxel ABI dado, en los próximos 60 minutos. La CNN se entrenó utilizando 118 días de datos recopilados entre mayo y agosto de 2018. Se utilizaron imágenes de densidad de extensión de descargas del mapeador geoestacionario de rayos (Geostationary Lightning Mapper ,GLM) del GOES (creadas con glmtools ) como fuente de observaciones de rayos. Tenga en cuenta que GLM es un sensor óptico que observa rayos en la nube y de nube a tierra.

La CNN utiliza actualmente cuatro canales ABI: banda 2 (0,64 µm), banda 5 (1,6 µm), banda 13 (10,3 µm) y banda 15 (12,3 µm). Las bandas 2 y 5 solo se utilizan en condiciones de luz solar. Se está investigando la utilización de canales adicionales y secuencias de tiempo de imágenes. El modelo utiliza una arquitectura de segmentación de imágenes semánticas para asignar la probabilidad de iluminación en los próximos 60 minutos a cada píxel de la imagen. El modelo es muy eficiente computacionalmente, solo necesita 30 segundos para procesar el dominio ABI CONUS y 3 segundos para procesar un dominio de mesoescala ABI usando subprocesos múltiples en un servidor Linux de 40 CPU.

Actualmente, el modelo solo utiliza radiancias de satélite. Por lo tanto, se puede aplicar a casi cualquier dominio espacial cubierto por el ABI o un sensor similar a ABI (por ejemplo, AHI). Basado en pruebas casi en tiempo real, el modelo ahora proyecta rutinariamente la iniciación del rayo con 10-30 minutos de tiempo de espera.

Esperamos que la habilidad y el tiempo de espera aumenten a medida que se agreguen al modelo nuevos predictores (por ejemplo, más campos ABI, NWP, radar cuando estén disponibles).

Ejemplos en tiempo real. Puede consultarlo aquí.

El objetivo general es mejorar la predicción inmediata de rayos en apoyo de la aviación, los navegantes y los eventos / actividades al aire libre. Más allá de mejorar la CNN, nuestro trabajo se centrará en empaquetar el resultado en información procesable para los pronosticadores y otros tomadores de decisiones.

Puedes ver diferentes salidas de la técnica y productos, aquí.

John Cintineo

CIMSS Blog