AI bruges til at forbedre forudsigelsen af lynnedslag

Vejrforudsigelsen er blevet væsentligt bedre over de sidste ti år, og fem-dages forudsigelser er nu omkring 90% nøjagtige. En aspekt af vejr, der længe har undgået forsøg på at forudsige det, er lyn. Fordi lyn er så uforudsigeligt, er det meget svært at minimere skaden, 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 nærmeste fremtid.

Ifølge SciTechDaily, har et hold af forskere fra EPFL’s School of Engineering – Electromagnetic Compatibility Laboratory, nyligt skabt et AI-program, der kan forudsige et lynnedslag med en nøjagtighed på 10 til 30 minutter og inden for 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 nedadgående naturlige lynnedslag, ved at stimulere opadgående lynblitzer.

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 bruges til at skanne storme og bestemme den elektriske potentiale i stormen. Andre lynforudsigelsessystemer kræver ofte brugen af tre eller flere modtagere i et område for at kunne triangulere lynnedslag. 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 har dannet sig i området. Ifølge ScienceDaily, er metoden, som EPFL-holdet har anvendt til at skabe forudsigelser, en maskinlæringsalgoritme, der er trænet på data indsamlet fra 12 schweiziske vejrstationer. Dataene dækkede en periode på ti år og både bjergområder og urbane områder var repræsenteret i datasettet.

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

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

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