Η Τεχνητή Νοημοσύνη Χρησιμοποιείται για τη Βελτίωση της Πρόβλεψης των Χτυπημάτων Αστραπής

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, ένα аспект του καιρού που έχει μακρόχρονα αποφύγει τις προσπάθειες πρόβλεψης είναι η αστραπή. Επειδή η αστραπή είναι τόσο απρόβλεπτη, είναι πολύ δύσκολο να ελαττωθεί η ζημιά που μπορεί να προκαλέσει στην ανθρώπινη ζωή, την περιουσία και τη φύση. Χάρη στη δουλειά μιας ερευνητικής ομάδας από το EPFL (Ecole Polytechnique Fédérale de Lausanne) Σχολή Μηχανικής, τα χτυπήματα της αστραπής μπορεί να είναι πολύ πιο προβλέψιμα στο κοντινό μέλλον.

Όπως αναφέρθηκε από το SciTechDaily, μια ομάδα ερευνητών από το EPFL’ s Σχολή Μηχανικής – Εργαστήριο Ηλεκτρομαγνητικής Συμβατότητας, πρόσφατα δημιούργησε ένα πρόγραμμα Τεχνητής Νοημοσύνης ικανό να προβλέψει με ακρίβεια ένα χτύπημα αστραπής εντός ενός χρονικού διαστήματος 10 έως 30 λεπτών και σε ακτίνα 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.

Το στόχο του Ευρωπαϊκού Προγράμματος Laser Lightning Rod (ELLR) είναι να δημιουργηθούν νέοι τύποι συστημάτων και τεχνικών προστασίας από την αστραπή. Συγκεκριμένα, το ELLR στοχεύει να δημιουργήσει ένα σύστημα που χρησιμοποιεί μια τεχνική laser για να μειώσει την ποσότητα των φυσικών χτυπημάτων αστραπής, που επιτυγχάνεται με την ενθάρρυνση των ανώτερων αστραπών.

Σύμφωνα με την ερευνητική ομάδα, οι τρέχουσες μεθόδους πρόβλεψης της αστραπής 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 αστραπής συχνά απαιτούν τη χρήση τριών ή περισσότερων δέκτων σε μια περιοχή, ώστε να μπορούν να triangulate τις εμφανίσεις της αστραπής. Η δημιουργία προβλέψεων με τέτοιο τρόπο είναι μια συχνά αργή 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 συλλεχθούν και το σύστημα θα μπορούσε potenciálně να εφαρμοστεί σε απομακρυσμένες περιοχές όπου τα συστήματα δορυφόρου ή ραντάρ δεν καλύπτουν και όπου τα δίκτυα επικοινωνιών είναι σποραδικά.

Τα δεδομένα για τις προβλέψεις μπορούν επίσης να συλλεχθούν γρήγορα και σε πραγματικό χρόνο, που σημαίνει ότι μια περιοχή θα μπορούσε potenciálně να ενημερωθεί για τα ερχόμενα χτυπήματα αστραπής ακόμη και πριν από τη διαμόρφωση της θύελλας στην περιοχή. Όπως αναφέρθηκε από το ScienceDaily, η μέθοδος που χρησιμοποιήθηκε από την ομάδα του EPFL για να κάνει προβλέψεις είναι ένας αλγόριθμος μηχανικής μάθησης εκπαιδευμένος σε δεδομένα που συλλέχθηκαν από 12 Ελβετικά μετεωρολογικά σταθμά. Τα δεδομένα εκτείνονται σε μια δεκαετία και και οι ορεινές περιοχές και οι αστικές περιοχές αντιπροσωπεύονται στο σύνολο δεδομένων.

Ο λόγος που τα χτυπήματα της αστραπής μπορούν να προβλεφθούν καθόλου είναι ότι είναι στενά συσχετισμένα με συγκεκριμένες καιρικές συνθήκες. Ένα από τα πιο σημαντικά συστατικά για τη διαμόρφωση της αστραπής είναι η έντονη σύγκλιση, όπου το υγρό αέριο ανεβαίνει καθώς η ατμόσφαιρα γίνεται ασταθής στην τοπική περιοχή. Οι συγκρούσεις μεταξύ σταγόνων νερού, σωματιδίων πάγου και άλλων μορίων μέσα στις νεφώσεις μπορούν να προκαλέσουν ηλεκτρικές φορτίσεις μέσα στα σωματίδια να διαχωριστούν. Αυτή η διάσπαση οδηγεί στη δημιουργία στρωμάτων νεφών με αντίθετες φορτίσεις, που οδηγεί στις εκκενώσεις που εμφανίζονται ως αστραπή. Τα ατμοσφαιρικά χαρακτηριστικά που συνδέονται με αυτές τις καιρικές συνθήκες μπορούν να τροφοδοτηθούν σε αλγόριθμους μηχανικής μάθησης για να προβλεφθούν τα χτυπήματα της αστραπής.

Μεταξύ των χαρακτηριστικών στο σύνολο δεδομένων ήταν μεταβλητές όπως η ταχύτητα του ανέμου, η σχετική υγρασία, η θερμοκρασία του αέρα και η ατμοσφαιρική πίεση. Αυτά τα χαρακτηριστικά επισημάνθηκαν με καταγεγραμμένα χτυπήματα αστραπής και την τοποθεσία του συστήματος που ανίχνευσε το χτύπημα. Βασισμένα σε αυτά τα χαρακτηριστικά, ο αλγόριθμος ήταν σε θέση να ερμηνεύσει πρότυπα στις συνθήκες που οδήγησαν στα χτυπήματα της αστραπής. Όταν το μοντέλο δοκιμάστηκε, αποδείχθηκε ότι μπορεί να προβλέψει σωστά ένα χτύπημα αστραπής περίπου 80% του χρόνου.

Το μοντέλο της ομάδας του EPFL είναι αξιοσημείωτο επειδή είναι το πρώτο παράδειγμα ενός συστήματος που βασίζεται σε κοινά διαθέσιμα μετεωρολογικά δεδομένα που μπορούν να προβλέψουν με ακρίβεια τα χτυπήματα της αστραπής.