Η Τεχνητή Νοημοσύνη Χρησιμοποιείται για τη Βελτίωση της Πρόβλεψης των Κεραυνών

Η πρόβλεψη του καιρού έχει βελτιωθεί σημαντικά κατά τη διάρκεια της τελευταίας δεκαετίας, με τις προβλέψεις πέντε ημερών να είναι τώρα περίπου 90% ακριβείς. Ωστόσο, ένας από τους τομείς του καιρού που έχει απομακρύνθεί από τις προσπάθειες πρόβλεψης είναι οι κεραυνοί. Επειδή οι κεραυνοί είναι τόσο απρόβλεπτοι, είναι πολύ δύσκολο να μειωθεί η ζημιά που possono προκαλέσουν στην ανθρώπινη ζωή, την περιουσία και τη φύση. Χάρη στη δουλειά μιας ερευνητικής ομάδας από το EPFL (Εcole Polytechnique Fédérale de Lausanne) Σχολή Μηχανικής, οι κεραυνοί μπορεί να είναι πολύ πιο προβλέψιμοι στο κοντινό μέλλον.

Όπως αναφέρεται στο SciTechDaily, μια ομάδα ερευνητών από το EPFL’ s Σχολή Μηχανικής – Εργαστήριο Ηλεκτρομαγνητικής Συμβατότητας, πρόσφατα δημιούργησε ένα πρόγραμμα Τεχνητής Νοημοσύνης που είναι ικανό να προβλέψει με ακρίβεια einen κεραυνό εντός ενός χρονικού διαστήματος 10 έως 30 λεπτών και σε απόσταση 30 χιλιομέτρων. Το σύστημα που δημιουργήθηκε από την ομάδα μηχανικών εφαρμόζει αλγόριθμους Τεχνητής Νοημοσύνης σε μετεωρολογικά δεδομένα, και το σύστημα θα χρησιμοποιηθεί στο Ευρωπαϊκό Πρόγραμμα Laser Lightning Rod.

Ο στόχος του Ευρωπαϊκού Προγράμματος Laser Lightning Rod (ELLR) είναι να δημιουργηθούν νέοι τύποι συστημάτων και τεχνικών προστασίας από τους κεραυνούς. Συγκεκριμένα, το ELLR στοχεύει να δημιουργήσει ένα σύστημα που χρησιμοποιεί μια τεχνική laser για να μειώσει την ποσότητα των φυσικών κεραυνών, επιτυγχάνοντας την ενεργοποίηση των ανώτερων κεραυνών.

Σύμφωνα με την ερευνητική ομάδα, οι τρέχουσες μεθόδους πρόβλεψης των κεραυνών βασίζονται σε δεδομένα που συλλέγονται από ραντάρ ή δορυφόρο, τα οποία τείνουν να είναι πολύ ακριβά. Το ραντάρ χρησιμοποιείται για να σκανάρει τις θύελλες και να καθορίσει το ηλεκτρικό δυναμικό της θύελλας. Άλλα συστήματα πρόβλεψης κεραυνών συχνά απαιτούν τη χρήση τριών ή περισσότερων δέκτων σε μια περιοχή, ώστε να μπορούν να γίνουν προβλέψεις. Η δημιουργία προβλέψεων με αυτόν τον τρόπο είναι μια chậmή και σύνθετη διαδικασία.

Αντίθετα, η μέθοδος που αναπτύχθηκε από την ομάδα του EPFL χρησιμοποιεί δεδομένα που μπορούν να συλλεγούν σε οποιοδήποτε τυπικό μετεωρολογικό σταθμό. Αυτό σημαίνει ότι τα δεδομένα είναι πολύ φθηνότερα και πιο εύκολα να συλλεγούν, και το σύστημα θα μπορούσε να εφαρμοστεί σε απομακρυσμένες περιοχές όπου τα συστήματα ραντάρ ή δορυφόρου δεν καλύπτουν και όπου τα δίκτυα επικοινωνίας είναι σπάνια.

Τα δεδομένα για τις προβλέψεις μπορούν επίσης να συλλεγούν γρήγορα και σε πραγματικό χρόνο, γεγονός που σημαίνει ότι μια περιοχή θα μπορούσε να ενημερωθεί για τους επερχόμενους κεραυνούς ακόμη και πριν από τη δημιουργία μιας θύελλας στην περιοχή. Όπως αναφέρεται στο ScienceDaily, η μέθοδος που χρησιμοποιήθηκε από την ομάδα του EPFL για να κάνει προβλέψεις είναι ένας αλγόριθμος μηχανικής μάθησης που εκπαιδεύτηκε σε δεδομένα που συλλέχθηκαν από 12 ελβετικά μετεωρολογικά σταθμά. Τα δεδομένα κάλυπταν μια δεκαετία και περιελάμβαναν ορεινές περιοχές και αστικές περιοχές.

Ο λόγος για τον οποίο οι κεραυνοί μπορούν να προβλεφθούν είναι ότι είναι στενά συνδεδεμένοι με συγκεκριμένες καιρικές συνθήκες. Ένα από τα πιο σημαντικά συστατικά για τη δημιουργία κεραυνών είναι η έντονη σύγκλιση, όπου ο υγρός αέρας ανεβαίνει καθώς η ατμόσφαιρα γίνεται ασταθής στην τοπική περιοχή. Οι συγκρούσεις μεταξύ σταγονιδίων νερού, σωματιδίων πάγου και άλλων μορίων μέσα στις νεφώσεις μπορούν να προκαλέσουν ηλεκτρικές φορτίσεις στα σωματίδια να χωριστούν. Αυτή η διάσπαση οδηγεί στη δημιουργία στρωμάτων νεφών με αντίθετες φορτίσεις, τα οποία οδηγούν στις εκφορτίσεις που εμφανίζονται ως κεραυνοί. Τα ατμοσφαιρικά χαρακτηριστικά που συνδέονται με αυτές τις καιρικές συνθήκες μπορούν να τροφοδοτήσουν αλγόριθμους μηχανικής μάθησης για να προβλέψουν κεραυνούς.

Μεταξύ των χαρακτηριστικών του συνόλου δεδομένων ήταν μεταβλητές όπως η ταχύτητα του ανέμου, η σχετική υγρασία, η θερμοκρασία του αέρα και η ατμοσφαιρική πίεση. Αυτά τα χαρακτηριστικά были επισημασμένα με καταγεγραμμένους κεραυνούς και την τοποθεσία του συστήματος που ανίχνευσε τον κεραυνό. Βασισμένα σε αυτά τα χαρακτηριστικά, ο αλγόριθμος ήταν σε θέση να ερμηνεύσει μοτίβα στις συνθήκες που οδήγησαν σε κεραυνούς. Όταν το μοντέλο δοκιμάστηκε, αποδείχθηκε ότι μπορεί να προβλέψει σωστά einen κεραυνό περίπου 80% της φοράς.

Το μοντέλο της ομάδας του EPFL είναι αξιοσημείωτο επειδή είναι το πρώτο παράδειγμα ενός συστήματος που βασίζεται σε κοινά διαθέσιμα μετεωρολογικά δεδομένα και είναι σε θέση να προβλέψει ακριβώς κεραυνούς.