AI wordt gebruikt om voorspelling van blikseminslagen te verbeteren

Weersvoorspellingen zijn in de loop van het afgelopen decennium aanzienlijk verbeterd, met vijfdaagse voorspellingen die nu ongeveer 90% nauwkeurig zijn. Echter, één aspect van het weer dat lang heeft weerstaan aan pogingen om het te voorspellen, is bliksem. Omdat bliksem zo onvoorspelbaar is, is het heel moeilijk om de schade die het kan aanrichten aan menselijke levens, eigendom en de natuur te minimaliseren. Dankzij het werk van een onderzoeksteam van de EPFL (Ecole Polytechnique Fédérale de Lausanne) School of Engineering, kunnen blikseminslagen in de nabije toekomst veel voorspelbaarder zijn.

Zoals gerapporteerd door SciTechDaily, creëerde een team van onderzoekers van de School of Engineering van de EPFL – Electromagnetic Compatibility Laboratory, onlangs een AI-programma dat in staat is om een blikseminslag binnen een periode van 10 tot 30 minuten en over een straal van 30 kilometer nauwkeurig te voorspellen. Het systeem dat is ontwikkeld door het ingenieursteam past kunstmatige intelligentie-algoritmen toe op meteorologische gegevens, en het systeem zal worden gebruikt in het European Laser Lightning Rod-project.

Het doel van het European Laser Lightning Rod (ELLR)-project is om nieuwe soorten bliksembeschermingssystemen en -technieken te creëren. Specifiek heeft ELLR als doel om een systeem te creëren dat een laser-gebaseerde techniek gebruikt om het aantal neerwaartse natuurlijke blikseminslagen te verminderen, door opwaartse bliksemschichten te stimuleren.

Volgens het onderzoeksteam zijn de huidige methoden van bliksempredictie afhankelijk van gegevens die zijn verzameld door radar of satelliet, wat heel duur kan zijn. Radar wordt gebruikt om stormen te scannen en het elektrische potentieel van de storm te bepalen. Andere bliksempredictiesystemen vereisen vaak het gebruik van drie of meer ontvangers in een regio om blikseminslagen te kunnen trianguleren. Het creëren van voorspellingen op deze manier is een vaak langzaam en complex proces.

In plaats daarvan maakt de methode die is ontwikkeld door het EPFL-team gebruik van gegevens die kunnen worden verzameld op elke standaard weersstation. Dit betekent dat de gegevens veel goedkoper en gemakkelijker te verzamelen zijn en het systeem mogelijk kan worden toegepast in afgelegen gebieden waar satelliet- of radarsystemen geen dekking bieden en waar communicatienetwerken schaars zijn.

De gegevens voor de voorspellingen kunnen ook snel en in real-time worden verzameld, wat betekent dat een regio mogelijk kan worden gewaarschuwd voor naderende blikseminslagen, zelfs voordat een storm zich in de regio heeft gevormd. Zoals gerapporteerd door ScienceDaily, is de methode die het EPFL-team heeft gebruikt om voorspellingen te maken een machine learning-algoritme getraind op gegevens verzameld van 12 Zwitserse weersstations. De gegevens besloegen een periode van tien jaar en zowel bergachtige als stedelijke regio’s waren vertegenwoordigd in de dataset.

De reden dat blikseminslagen überhaupt kunnen worden voorspeld, is dat ze sterk gecorreleerd zijn met specifieke weersomstandigheden. Één van de belangrijkste ingrediënten voor de vorming van bliksem is intense convectie, waarbij vochtige lucht opstijgt als de atmosfeer in de lokale regio onstabiel wordt. Botstingen tussen waterdruppels, ijsdeeltjes en andere moleculen binnen de wolken kunnen elektrische ladingen binnen de deeltjes doen scheiden. Deze scheiding leidt tot de vorming van wolklaag met tegenovergestelde ladingen, wat leidt tot de ontladingen die als bliksem verschijnen. De atmosferische kenmerken die zijn geassocieerd met deze weersomstandigheden kunnen worden gevoerd in machine learning-algoritmen om blikseminslagen te voorspellen.

Onder de kenmerken in de dataset waren variabelen zoals windsnelheid, relatieve luchtvochtigheid, luchttemperatuur en atmosferische druk. Deze kenmerken werden gelabeld met geregistreerde blikseminslagen en de locatie van het systeem dat de inslag detecteerde. Op basis van deze kenmerken kon het algoritme patronen in de omstandigheden interpreteren die leidden tot blikseminslagen. Toen het model werd getest, bleek het in staat te zijn om een blikseminslag correct te voorspellen in ongeveer 80% van de gevallen.

Het model van het EPFL-team is opmerkelijk omdat het de eerste voorbeeld is van een systeem dat is gebaseerd op algemeen beschikbare meteorologische gegevens en dat in staat is om blikseminslagen nauwkeurig te voorspellen.