AI anvendes til at forbedre forudsigelsen af lynnedslag

Vejrforudsigelser er blevet væsentligt bedre over de sidste ti år, og fem-dages-vejrforudsigelser er nu omkring 90% nøjagtige. Der er dog ét aspekt af vejr, som længe har undgået forsøg på at forudsige det, og det er lyn. Fordi lyn er så uforudsigeligt, er det meget svært at minimere skaderne, det kan forvolde på menneskeliv, ejendom og natur. Takket være arbejdet fra et forskningsteam fra EPFL (Ecole Polytechnique Fédérale de Lausanne) School of Engineering, kan lynnedslag muligvis blive mere forudsigelige i nær fremtid.

Som rapporteret af SciTechDaily, har et hold af forskere fra EPFL’s School of Engineering – Electromagnetic Compatibility Laboratory, nylig skabt et AI-program, der kan nøjagtigt forudsige et lynnedslag inden for en periode på 10 til 30 minutter og over en radius på 30 kilometer. Systemet, der er skabt af ingeniørholdet, anvender kunstig intelligens-algoritmer til meteorologiske data, og systemet vil blive anvendt i det europæiske Laser Lightning Rod-projekt.

Målet med det europæiske Laser Lightning Rod (ELLR)-projekt er at skabe nye typer af lynbeskyttelsessystemer og -teknikker. Specifikt sigter ELLR mod at skabe et system, der anvender en laserbaseret teknik til at reducere mængden af naturlige lynnedslag, ved at stimulere opadgående lynflashes.

Ifølge forskningsteamet er nuværende metoder til lynforudsigelse afhængige af data, der er indsamlet via radar eller satellit, hvilket tendere til at være meget dyrt. Radar anvendes til at scanne storme og bestemme den elektriske potentiale i stormen. Andre lynforudsigelsessystemer kræver ofte brugen af tre eller flere modtagere i et område for at lyn kan trianguleres. At skabe forudsigelser på denne måde er ofte en langsom og kompleks proces.

I stedet anvender metoden, der er udviklet af EPFL-holdet, data, der kan indsamles på enhver standard vejrstation. Dette betyder, at dataene er meget billigere og lettere at indsamle, og systemet kunne potentielt anvendes i fjernområder, hvor satellit- eller radarsystemer ikke dækker, og hvor kommunikationsnetværk er sparsomme.

Data til forudsigelserne kan også indsamles hurtigt og i realtid, hvilket betyder, at et område potentielt kan blive advaret om indkommende lynnedslag, selv før en storm er dannet i området. Som rapporteret af ScienceDaily, er metoden, som EPFL-holdet anvendte til at lave forudsigelser, en maskinlæringsalgoritme, der er trænet på data indsamlet fra 12 Schweiziske vejrstationer. Data omfatter en periode på ti år og både bjergområder og byområder er repræsenteret i datasettet.

Grunden til, at lynnedslag overhovedet kan forudsiges, er, at de er tungt korreleret med bestemte vejrforhold. En af de vigtigste ingredienser for dannelse af lyn er intens konvektion, hvor fugtig luft stiger, når atmosfæren bliver ustabil i det lokale område. Kollisioner mellem vanddråber, ispartikler og andre molekyler inden for skyerne kan føre til, at elektriske ladninger inden for partiklerne adskilles. Denne adskillelse fører til dannelse af skylag med modsat ladning, hvilket fører til udladninger, der viser sig som lyn. De atmosfæriske egenskaber, der er forbundet med disse vejrforhold, kan indføres i maskinlæringsalgoritmer for at forudsige lynnedslag.

Blandt de egenskaber, der er i datasettet, var variabler som vindhastighed, relativ fugtighed, lufttemperatur og atmosfærisk tryk. Disse egenskaber var mærket med registrerede lynnedslag og placeringen af systemet, der registrerede slaget. Baseret på disse egenskaber kunne algoritmen fortolke mønstre i forholdene, der førte til lynnedslag. Når modellen blev testet, viste den sig at kunne korrekt forudsige et lynnedslag omkring 80% af tiden.

EPFL-holdets model er bemærkelsesværdig, fordi det er det første eksempel på et system, der er baseret på almindeligt tilgængelige meteorologiske data, og som kan nøjagtigt forudsige lynnedslag.