AI Wordt Gebruikt Om Voorspelling Van Bliksem Inslagen Te Verbeteren

Weersvoorspellingen zijn de afgelopen decade aanzienlijk verbeterd, met vijfdaagse voorspellingen die nu ongeveer 90% nauwkeurig zijn. Echter, één aspect van het weer dat langdurig heeft weerstaan aan pogingen om het te voorspellen, is bliksem. Omdat bliksem zo onvoorspelbaar is, is het zeer 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 mogelijk veel voorspelbaarder zijn.

Volgens SciTechDaily heeft een team van onderzoekers van de EPFL’s School of Engineering – Electromagnetic Compatibility Laboratory, onlangs een AI-programma ontwikkeld dat in staat is om een blikseminslag binnen een periode van 10 tot 30 minuten en binnen een straal van 30 kilometer nauwkeurig te voorspellen. Het systeem dat door het ingenieursteam is ontwikkeld, past kunstmatige intelligentie-algoritmes 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 bliksembeveiligingssystemen en -technieken te ontwikkelen. Specifiek richt ELLR zich op het ontwikkelen van een systeem dat een laser-gebaseerde techniek gebruikt om het aantal neerwaartse natuurlijke blikseminslagen te verminderen, door opwaartse bliksemflitsen te stimuleren.

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

In plaats daarvan gebruikt de methode die door het EPFL-team is ontwikkeld, gegevens die kunnen worden verzameld op elk standaardweerstation. Dit betekent dat de gegevens veel goedkoper en gemakkelijker te verzamelen zijn en dat het systeem mogelijk kan worden toegepast in afgelegen gebieden waar satelliet- of radarsystemen geen dekking hebben en waar communicatienetwerken slecht 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 in de regio is gevormd. Volgens ScienceDaily is de methode die het EPFL-team heeft gebruikt om voorspellingen te maken, een machine learning-algoritme dat is getraind op gegevens die zijn verzameld van 12 Zwitserse weersstations. De gegevens omvatten 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 zwaar 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 lokaal onstabiel wordt. Botstingen tussen waterdruppels, ijsdeeltjes en andere moleculen in de wolken kunnen elektrische ladingen in 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-algoritmes 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 het eerste voorbeeld is van een systeem dat is gebaseerd op algemeen beschikbare meteorologische gegevens en dat in staat is om blikseminslagen nauwkeurig te voorspellen.