AI används för att förbättra förutsägelsen av blixtnedslag

Väderprognoser har blivit avsevärt bättre under det senaste decenniet, med femdagarsprognoser som nu är cirka 90% precisa. Men ett aspekt av väder som länge har undgått försök att förutsäga det är blixtnedslag. Eftersom blixtnedslag är så oförutsägbara är det mycket svårt att minimera skadorna de kan orsaka på människoliv, egendom och natur. Tack vare arbetet av en forskargrupp från EPFL (Ecole Polytechnique Fédérale de Lausanne) School of Engineering, kan blixtnedslag vara mycket mer förutsägbara i närmaste framtiden.

Som rapporterats av SciTechDaily, skapade en grupp forskare från EPFL:s School of Engineering – Electromagnetic Compatibility Laboratory, nyligen ett AI-program som kan förutsäga ett blixtnedslag inom en period av 10 till 30 minuter och inom en radie av 30 kilometer. Systemet som skapades av ingenjörsteamet tillämpar artificiell intelligensalgoritmer på meteorologiska data, och systemet kommer att användas i European Laser Lightning Rod-projektet.

Målet med European Laser Lightning Rod (ELLR)-projektet är att skapa nya typer av blixtnedslagsskyddssystem och tekniker. Specifikt syftar ELLR till att skapa ett system som använder en laserbaserad teknik för att minska antalet nedåtriktade naturliga blixtnedslag, genom att stimulera uppåtriktade blixtnedslag.

Enligt forskargruppen bygger nuvarande metoder för blixtnedslagsförutsägelse på data som samlats in av radar eller satellit, vilket tenderar att vara mycket dyrt. Radar används för att skanna stormar och bestämma den elektriska potentialen i stormen. Andra system för blixtnedslagsförutsägelse kräver ofta användning av tre eller flera mottagare i en region för att blixtnedslag ska kunna trianguleras. Att skapa förutsägelser på detta sätt är ofta en långsam och komplex process.

I stället använder metoden som utvecklats av EPFL-teamet data som kan samlas in på en standardväderstation. Detta innebär att datan är mycket billigare och enklare att samla in, och systemet kan potentiellt tillämpas i avlägsna områden där satellit- eller radarsystem inte täcker och där kommunikationsnätverk är knappa.

Datat för förutsägelserna kan också samlas in snabbt och i realtid, vilket innebär att en region potentiellt kan varnas för inkommande blixtnedslag även innan en storm har bildats i regionen. Som rapporterats av ScienceDaily, är metoden som EPFL-teamet använde för att göra förutsägelser en maskinlärningsalgoritm som tränats på data som samlats in från 12 schweiziska väderstationer. Datat spände över ett decennium och både bergiga områden och urbana områden var representerade i datamängden.

Orsaken till att blixtnedslag kan förutsägas alls är att de är starkt korrelerade med specifika väderförhållanden. En av de viktigaste ingredienserna för bildandet av blixtnedslag är intensiv konvektion, där fuktig luft stiger när atmosfären blir instabil i den lokala regionen. Kollisioner mellan vattendroppar, ispartiklar och andra molekyler inom molnen kan orsaka att elektriska laddningar inom partiklarna separeras. Denna separation leder till att molnskikt med motsatta laddningar skapas, vilket leder till urladdningar som uppträder som blixtnedslag. De atmosfäriska egenskaperna som är förknippade med dessa väderförhållanden kan matas in i maskinlärningsalgoritmer för att förutsäga blixtnedslag.

Bland egenskaperna i datamängden fanns variabler som vindhastighet, relativ fuktighet, lufttemperatur och atmosfärstryck. Dessa egenskaper var märkta med registrerade blixtnedslag och platsen för systemet som upptäckte slaget. Baserat på dessa egenskaper kunde algoritmen tolka mönster i förhållandena som ledde till blixtnedslag. När modellen testades visade det sig att den kunde förutsäga ett blixtnedslag korrekt cirka 80% av tiden.

EPFL-teamets modell är anmärkningsvärd eftersom den är det första exemplet på ett system baserat på allmänt tillgängliga meteorologiska data som kan förutsäga blixtnedslag.