AI brukes til å forbedre prediksjonen av lynnedslag

Værforutsigelsen har blitt betraktelig bedre over de siste ti årene, med fem-dagers forutsigelser som nå er omtrent 90% nøyaktige. Imidlertid er ett aspekt av været som lenge har motstått forsøk på å forutsi det, lyn. Fordi lyn er så uforutsigbart, er det svært vanskelig å minimere skadene det kan gjøre på menneskeliv, eiendom og natur. Takk til arbeidet til et forskningsteam fra EPFL (Ecole Polytechnique Fédérale de Lausanne) School of Engineering, kan lynnedslag være mye mer forutsigbare i nær fremtid.

Ifølge SciTechDaily, et team av forskere fra EPFLs School of Engineering – Electromagnetic Compatibility Laboratory, nylig skapte et AI-program som kan forutsi et lynnedslag innen en periode på 10 til 30 minutter og over en radius på 30 kilometer. Systemet skapt av ingeniørteamet anvender kunstig intelligens-algoritmer til meteorologiske data, og systemet vil bli brukt i European Laser Lightning Rod-prosjektet.

Målet med European Laser Lightning Rod (ELLR)-prosjektet er å skape nye typer lynbeskyttelsessystemer og -teknikker. Spesifikt søker ELLR å skape et system som anvender en laserbasert teknikk for å redusere mengden nedadgående naturlige lynnedslag, ved å stimulere oppadgående lynflasher.

Ifølge forskningsteamet, baserer nåværende metoder for lynforutsigelse på data samlet inn av radar eller satellitt, som tenderer til å være svært dyrt. Radar brukes til å skanne stormer og bestemme den elektriske potensialet til stormen. Andre lynforutsigelsessystemer krever ofte bruk av tre eller flere mottakere i et område for å kunne triangulere lynforekomster. Å skape forutsigelser på denne måten er en ofte langsom og kompleks prosess.

I stedet anvender metoden utviklet av EPFL-teamet data som kan samles inn på enhver standard værstasjon. Dette betyr at dataene er mye billigere og enklere å samle inn, og systemet kunne potensielt bli brukt i avsidesliggende områder hvor satellitt- eller radarsystemer ikke dekker, og hvor kommunikasjonsnettverk er ustabile.

Dataene for forutsigelsene kan også samles inn raskt og i sanntid, hvilket betyr at et område potensielt kan bli advart om innkommende lynnedslag selv før en storm har dannet seg i området. Ifølge ScienceDaily, er metoden som EPFL-teamet brukte for å gjøre forutsigelser, en maskinlæringsalgoritme trent på data samlet inn fra 12 sveitsiske værstasjoner. Dataene omfattet en periode på ti år og både fjellområder og urbane områder var representert i datasettet.

Grunnen til at lynnedslag kan forutsies i det hele tatt, er at de er tungt korrelert med bestemte værforhold. En av de viktigste ingrediensene for dannelse av lyn er intens konveksjon, hvor fuktig luft stiger når atmosfæren blir ustabil i det lokale området. Kollisjoner mellom vanndroper, ispartikler og andre molekyler inni skyene kan forårsake elektriske ladninger inni partiklene til å skille seg. Denne skillelsen fører til dannelse av skylag med motsatt ladning, som fører til utladninger som viser seg som lyn. De atmosfæriske egenskapene forbundet med disse værforholdene kan mates inn i maskinlæringsalgoritmer for å forutsi lynnedslag.

Blant egenskapene i datasettet var variabler som vindhastighet, relativ fuktighet, lufttemperatur og atmosfærtrykk. Disse egenskapene var merket med registrerte lynnedslag og plasseringen av systemet som detekterte slaget. Basert på disse egenskapene, kunne algoritmen tolke mønster i forholdene som ledet til lynnedslag. Da modellen ble testet, viste det seg å være i stand til å korrekt forutsi et lynnedslag omtrent 80% av tiden.

EPFL-teamets modell er bemerkelsesverdig fordi det er det første eksempelet på et system basert på vanlig tilgjengelig meteorologisk data som kan nøyaktig forutsi lynnedslag.