Pronosticar tormentas con Inteligencia Artificial

Nota preliminar. La inteligencia artificial (IA) se refiere en términos generales a cualquier conducta humana que se desarrolle o implemente dentro de una máquina o sistema. En la forma más básica de inteligencia artificial, los ordenadores están programados para «imitar» la conducta humana utilizando amplios datos de ejemplos previos de conductas similares. Este enfoque puede englobar desde reconocer diferencias entre un avión y un tren, realizar actividades complejas en una fábrica, generar predicciones meteorológicas, reconocimiento de formas, etc.

Se presenta un breve artículo de CIMSS - Universidad de Wisconsin.

LightningCast

ProbSevere LightningCast es un modelo que utiliza imágenes de datos ABI de los satélites geoestacionarios de GOES-16 o GOES-17 para predecir dónde caerán los rayos (según lo observado por el sensor GLM a bordo de dichos satélites) en 60 minutos. Descubrimos que el producto proporciona con frecuencia de 15 a 30 minutos de anticipación para la iniciación del rayo, medido desde el rango de probabilidad del 30 al 40 % (el rango más hábil).

LightningCast se evaluará en el banco de pruebas de tiempo adverso de la NOAA de 2022 y en ciertas oficinas dentro del NWS. LightningCast puede algún día ayudar a los pronosticadores a proporcionar servicios de apoyo a la toma de decisiones y conocimiento general de la situación de iniciación convectiva. Vea aquí una película de la salida de LightningCast (contornos) superpuesta en el GOES-16. Distinción de fase de nube diurna RGB y densidad de extensión de flash GLM, para tormentas severas en desarrollo en Texas.

IntenseStormNet

Otro modelo de IA basado en imágenes dentro de ProbSevere se llama IntenseStormNet, que busca identificar las regiones más intensas de las tormentas eléctricas. Utiliza imágenes de datos ABI y GLM como predictores para diagnosticar probabilísticamente la intensidad de la tormenta desde una perspectiva geoestacionaria.

Su objetivo es identificar las partes intensas de las tormentas como lo hacen los humanos: holísticamente; al captar las características espaciales y multiespectrales que capturan las imágenes, como cimas muy altas y frías , patrones de textura de cimas de nubes y bordes de nubes marcadas.

En un artículo publicado en 2020, encontramos que las altas probabilidades de IntenseStormNet se correlacionan con frecuencia con informes de tiempo severo.

Pulse aquí para ver la secuencia completa de la salida de IntenseStormNet (contornos) para algunas de las tormentas sobre Texas, la mayoría de las cuales generaron granizo, vientos dañinos y varios tornados. Los contornos de IntenseStormNet también se pueden rastrear a lo largo del tiempo, lo que proporciona una forma novedosa de investigar las propiedades convectivas de las tormentas.

ProbSevero v3

La salida de IntenseStormNet también se está utilizando como predictor dentro del ProbSevere v3 experimental, que utiliza datos satelitales, de radar, de rayos y de predicción numérica del tiempo, y modelos de aprendizaje automático (Machine-Learning, ML) para pronosticar las probabilidades de granizo, vientos fuertes y tornados en los próximos 60 minutos.

Mientras que ProbSevere v2 está operativo en los Centros para la Predicción Ambiental de la NOAA, ProbSevere v3 está siendo evaluado por los meteorólogos del NWS en el banco de pruebas de tiempo adverso de 2022.

Un análisis de miles de tormentas de 2021 mostró que los predictores adicionales y los modelos ML más sofisticados en v3 mejoran el rendimiento de v2. ProbSevere utiliza el seguimiento de tormentas multisensor y la extracción de características para predecir las probabilidades de tiempo severo en los EE. UU. A continuación se muestra un ejemplo de salida de salida de ProbSevere v3 en Texas.

Vea la secuencia completa aquí.

Toda la información de las técnicas y más se pueden consultar aquí.

Marzo de 2022

John Cintineo

CIMSS SSEC Universidad de Wisconsin