Sztuczna inteligencja pomoże przewidywać pogodę, a dokładnie - opady gradu. Przekonują o tym na łamach czasopisma "Monthly Weather Review" naukowcy z National Center for Atmospheric Research (NCAR) w Boulder w stanie Kolorado. Programy, opracowane na potrzeby automatycznego rozpoznawania twarzy, zostały przez nich z sukcesem wykorzystane do analizy kształtu chmur burzowych tak, by przewidzieć, czy przyniosą grad i jak będzie duży. To trudne dla meteorologów zadanie, bo powstawanie gradu wymaga splotu wielu okoliczności.
Naukowcy NCAR przekonują, że w prognozowaniu burz gradowych, poza informacjami o ciśnieniu, czy temperaturze, bardzo pomaga analiza kształtu samej chmury burzowej. Modele oparte na procesach uczenia maszynowego dobrze sobie z tym radzą.
Dobrze wiemy, że struktura chmury burzowej istotnie wpływa na możliwość powstawania w niej gradu, w superkomórce burzowej pojawia się znacznie częściej, niż na linii szkwału - mówi szef grupy badawczej, David John Gagne. Dotychczasowe modele koncentrują się jednak na wycinkach samej chmury, a nie na jej szerszej strukturze.
Powstawanie gradu wymaga pojawienia się całego szeregu sprzyjających czynników. Wilgotność powietrza powinna być wyższa przy powierzchni i niższa powyżej. Poziom zamarzania wewnątrz chmury powinien być względnie nisko. Kluczowe znaczenie dla tworzenia się i wzrastania bryłek lodu, zwanych też gradowinami, ma silny prąd wstępujący. Ważną rolę pełnią też zmiany kierunku wiatru na różnych wysokościach. Nawet jeśli, wszystkie te kryteria są spełnione, rozmiar bryłek lodu zależy jeszcze od dwóch czynników: drogi, którą w chmurze muszą pokonać i warunków, które "po drodze" panują. Decyduje o tym właśnie struktura chmury.
Struktura chmury burzowej jest naprawdę ważna - podkreśla Gagne. Do tej pory koncentrowaliśmy się na szczególnych punktach chmur, co najwyżej ich pionowym profilu. Okazuje się jednak, że struktura pozioma jest też bardzo istotna. Problem w tym, że skuteczność dotychczasowych modeli ogranicza poziom matematycznych komplikacji, wymaganych do opisu fizycznych właściwości całej chmury burzowej. Metody sztucznej inteligencji pomagają obejść te problemy, wykorzystać dane do wyszukiwania szerszych prawidłowości i oceniać, które własności chmur burzowych mają dla powstawania gradu znaczenie kluczowe. To pozwoliło lepiej zrozumieć rolę wielu czynników, w tym rozkładów ciśnienia, temperatury, kierunku wiatru, czy siły prądów wznoszących.
Grad - szczególnie duży - może mieć istotne znaczenie zarówno dla upraw rolnych, jak i zabudowań, czy samochodów - przyznaje Nick Anderson z współfinansującej te prace National Science Foundation. Użycie metod uczenia maszynowego pozwala lepiej zrozumieć warunki sprzyjające powstaniu gradu i poprawić modele służące jego przewidywaniu. To kreatywny i użyteczny sposób łączenia dyscyplin naukowych. Kolejnym etapem badań ma być próba połączenia wskazań nowego programu z dotychczasowymi metodami przewidywania, w tym wskazaniami radarów meteorologicznych.
