Verbetering van orkaanmapping met fysica-geïnformeerde machine learning
Windvelden gemodelleerd door het fysica-geïnformeerde neuraal netwerk (PINN) van de auteurs levert vergelijkbare resultaten op als een simulatie van Weather Research & Forecasting (WRF), terwijl het veel minder middelen gebruikt.
Hurricanes, of tropische cyclonen, kunnen verwoestende natuurrampen zijn die hele steden verwoesten en honderden of duizenden levens eisen. Een belangrijk aspect van hun destructieve potentieel is hun onvoorspelbaarheid. Hurricanes zijn complexe weersverschijnselen, en het is moeilijk te schatten hoe sterk een orkaan zal zijn of waar deze aan land zal komen.
In een paper gepubliceerd in Physics of Fluids, hebben twee onderzoekers van de City University of Hong Kong machine learning toegepast om het grenslaag windveld van tropische cyclonen nauwkeuriger te modelleren. In de atmosferische wetenschap is de grenslaag van de atmosfeer het gebied dat het dichtst bij het aardoppervlak ligt.
“Wij mensen leven in deze grenslaag, dus het begrijpen en nauwkeurig modelleren ervan is essentieel voor stormvoorspelling en rampenvoorbereiding,” zei auteur Qiusheng Li. Maar omdat lucht in de grenslaag interactie heeft met land, de oceaan en alles op het oppervlak, is het modelleren ervan bijzonder uitdagend. Traditionele benaderingen van stormvoorspelling omvatten grote numerieke simulaties die draaien op supercomputers, waarbij bergen aan observatiedata worden gebruikt, en ze leiden vaak nog steeds tot onnauwkeurige of onvolledige voorspellingen.
Daarentegen is het machine learning-algoritme van de auteurs uitgerust met atmosferische fysica-vergelijkingen die sneller nauwkeurigere resultaten kunnen produceren met minder data. “In tegenstelling tot traditionele numerieke modellen, maakt ons model gebruik van een geavanceerd fysica-geïnformeerd machine learning-kader,” zei auteur Feng Hu. “Slechts een kleine hoeveelheid echte data is nodig om het complexe gedrag van het windveld van tropische cyclonen vast te leggen. De flexibiliteit van het model en het vermogen om schaarse observatiedata te integreren, resulteren in nauwkeurigere en realistischere reconstructies.”
Het kunnen reconstrueren van het windveld van een tropische cyclus biedt waardevolle gegevens die experts kunnen gebruiken om te bepalen hoe ernstig de storm zal zijn. “Het windveld van een tropische cyclus bevat informatie over de intensiteit, structuur en potentiële impact op kustgebieden,” zei Li. Met een gedetailleerder beeld van hoe dat windveld eruitziet, kunnen hulpdiensten zich beter voorbereiden op stormen voordat ze aan land komen.
“Met de toenemende frequentie en intensiteit van hurricanes door klimaatverandering, kan ons model de nauwkeurigheid van windveldvoorspellingen aanzienlijk verbeteren,” zei Hu. “Deze vooruitgang kan helpen om weersvoorspellingen en risicoanalyses te verfijnen, tijdige waarschuwingen te bieden en de veerkracht van kustgemeenschappen en infrastructuur te vergroten.”
De auteurs zijn van plan om hun model verder te ontwikkelen en het te gebruiken om verschillende soorten stormen te bestuderen. “We zijn van plan om meer bronnen van observatiedata te integreren en de capaciteit van het model te verbeteren om de tijdsevolutie van winden te verwerken,” zei Hu. “Het uitbreiden van de toepassing naar meer stormgebeurtenissen over de wereld en het integreren van het model in realtime voorspellingssystemen is ook gepland om de bruikbaarheid voor weersvoorspelling en risicobeheer te vergroten.”
