AI-methode verhoogt nauwkeurigheid van voorspellingen voor snelle intensivering van tropische cyclonen

Snel Intensificatie (RI) van tropische cyclonen (TC’s), gedefinieerd als een intensiteitsverhoging van ten minste 13 m/s binnen 24 uur, blijft een van de meest uitdagende fenomenen om te voorspellen vanwege de onvoorspelbare en destructieve aard. Hoewel RI slechts 5% van alle TC’s vertegenwoordigt, vormt de plotselinge en ernstige ontwikkeling aanzienlijke risico’s voor de getroffen gebieden.

Traditionele voorspellingsmethoden, zoals numerieke weer voorspelling en statistische benaderingen, houden vaak geen rekening met de complexe omgevings- en structurele factoren die RI aandrijven. Hoewel kunstmatige intelligentie (AI) is onderzocht als een middel om RI-voorspellingen te verbeteren, hebben de meeste AI-technieken moeite gehad met hoge percentages valse alarmen en beperkte betrouwbaarheid.

Om dit probleem aan te pakken, hebben onderzoekers van het Instituut voor Oceanologie van de Chinese Academie van Wetenschappen (IOCAS) een nieuw voorspellingsmodel ontwikkeld voor RI van TC’s op basis van “contrastieve leren.” De studie werd gepubliceerd in de Proceedings of the National Academy of Sciences op 21 januari.

Het nieuwe model heeft twee invoerbronnen: Invoer A, een bekende RI TC-monster, en Invoer B, een onbekend monster dat moet worden voorspeld. Het model haalt kenmerken uit beide invoeren en berekent hun afstand in een hoog-dimensionale ruimte. Als de afstand klein is, wordt Invoer B voorspeld als een RI TC; als deze groot is, wordt het geclassificeerd als een non-RI TC. Elk onbekend monster wordt vergeleken met 10 bekende RI TC-monsters, en als meer dan vijf van de vergelijkingen het classificeren als een RI TC, wordt het als zodanig geclassificeerd.

Bovendien maakt deze studie gebruik van satellietbeelden naast atmosferische en oceanische gegevens om RI- en non-RI TC-gegevens in balans te brengen. Het model leert het verschil tussen RI en non-RI TC’s te maken door de twee invoeren tijdens de training te vergelijken.

Bij tests met gegevens uit de Noordwestelijke Stille Oceaan tussen 2020 en 2021 behaalde de methode een indrukwekkende nauwkeurigheid van 92,3% en verlaagde valse alarmen tot 8,9%. In vergelijking met bestaande technieken verbeterde het de nauwkeurigheid met 12% en verminderde het valse alarmen met een factor drie, wat een belangrijke vooruitgang in de voorspelling vertegenwoordigt.

Hoewel het model aanvankelijk was getraind met heranalysegegevens, creëerden de onderzoekers een operationeel voorspellingsscenario door de heranalysegegevens te vervangen door ECMWF-IFS numerieke modelvoorspellingsgegevens van 2020 tot 2021 als invoer. De resultaten toonden een vergelijkbare voorspellingsnauwkeurigheid, wat de betrouwbaarheid van deze aanpak verder valideerde en de geschiktheid voor realtime voorspellingsscenario’s bevestigde. Deze mogelijkheid voor realtime voorspelling kan de vroege waarschuwingssystemen aanzienlijk verbeteren, waardoor de wereldwijde rampenvoorbereiding wordt versterkt.

“Deze studie pakt de uitdagingen van lage nauwkeurigheid en hoge percentages valse alarmen in RI TC-voorspellingen aan,” zei Prof. Li Xiaofeng, de corresponderende auteur. “Onze methode verhoogt het begrip van deze extreme gebeurtenissen en ondersteunt betere verdedigingsmechanismen tegen hun verwoestende impact.”