Inteligência Artificial Usada Para Melhorar a Previsão de Raios

A previsão do tempo melhorou substancialmente ao longo da última década, com previsões de cinco dias sendo agora cerca de 90% precisas. No entanto, um aspecto do tempo que há muito tempo tem evitado tentativas de previsão é o raio. Devido à sua imprevisibilidade, é muito difícil minimizar os danos que ele pode causar à vida humana, propriedade e natureza. Graças ao trabalho de uma equipe de pesquisa da EPFL (Ecole Polytechnique Fédérale de Lausanne) School of Engineering, os raios podem ser muito mais previsíveis no futuro próximo.

Conforme relatado pelo SciTechDaily, uma equipe de pesquisadores da EPFL’s School of Engineering – Electromagnetic Compatibility Laboratory, recentemente criou um programa de inteligência artificial capaz de prever com precisão um raio dentro de um período de 10 a 30 minutos e em um raio de 30 quilômetros. O sistema criado pela equipe de engenharia aplica algoritmos de inteligência artificial a dados meteorológicos, e o sistema será utilizado no projeto European Laser Lightning Rod.

O objetivo do projeto European Laser Lightning Rod (ELLR) é criar novos tipos de sistemas e técnicas de proteção contra raios. Especificamente, o ELLR visa criar um sistema que utilize uma técnica baseada em laser para reduzir a quantidade de raios naturais descendentes, alcançado estimulando flashes de raio ascendentes.

De acordo com a equipe de pesquisa, os métodos atuais de previsão de raios dependem de dados coletados por radar ou satélite, o que tende a ser muito caro. O radar é usado para escanear tempestades e determinar o potencial elétrico da tempestade. Outros sistemas de previsão de raios frequentemente requerem o uso de três ou mais receptores em uma região para que os ocorrentes de raios possam ser triangulados. Criar previsões de tal forma é um processo lento e complexo.

Em vez disso, o método desenvolvido pela equipe da EPFL utiliza dados que podem ser coletados em qualquer estação meteorológica padrão. Isso significa que os dados são muito mais baratos e fáceis de coletar, e o sistema pode potencialmente ser aplicado em regiões remotas onde os sistemas de satélite ou radar não cobrem e onde as redes de comunicação são irregulares.

Os dados para as previsões também podem ser coletados rapidamente e em tempo real, o que significa que uma região pode potencialmente ser informada sobre raios iminentes, mesmo antes de uma tempestade se formar na região. Conforme relatado pelo ScienceDaily, o método utilizado pela equipe da EPFL para fazer previsões é um algoritmo de aprendizado de máquina treinado em dados coletados de 12 estações meteorológicas suíças. Os dados abrangem uma década e regiões montanhosas e urbanas foram representadas no conjunto de dados.

O motivo pelo qual os raios podem ser previstos é que eles estão fortemente correlacionados com condições meteorológicas específicas. Um dos ingredientes mais importantes para a formação de raios é a convecção intensa, onde o ar úmido sobe à medida que a atmosfera se torna instável na região local. Colisões entre gotículas de água, partículas de gelo e outras moléculas dentro das nuvens podem causar cargas elétricas nas partículas se separarem. Essa separação leva à criação de camadas de nuvem com cargas opostas, o que leva às descargas que aparecem como raios. As características atmosféricas associadas a essas condições meteorológicas podem ser alimentadas em algoritmos de aprendizado de máquina para prever raios.

Entre as características do conjunto de dados estavam variáveis como velocidade do vento, umidade relativa, temperatura do ar e pressão atmosférica. Essas características foram rotuladas com raios registrados e a localização do sistema que detectou o raio. Com base nesses recursos, o algoritmo foi capaz de interpretar padrões nas condições que levaram a raios. Quando o modelo foi testado, provou ser capaz de prever com precisão um raio cerca de 80% do tempo.

O modelo da equipe da EPFL é notável porque é o primeiro exemplo de um sistema baseado em dados meteorológicos comumente disponíveis que pode prever raios com precisão.