Técnicas de reconocimiento facial para predecir el granizo

La misma técnica de inteligencia artificial que se usa en los sistemas de reconocimiento facial podría ayudar a mejorar la predicción de las tormentas de granizo y su gravedad, según un nuevo estudio del Centro Nacional de Investigación Atmosférica (NCAR).

En lugar de concentrarse en las características de una cara individual, los científicos han probado una red neuronal convolucional para reconocer las características de las tormentas que afectan la formación del granizo y el tamaño de las piedras de granizo, que hasta ahora no eran fácilmente predecibles.

Los resultados del estudio, publicados en la Revisión Meteorológica Mensual de la Sociedad Meteorológica Estadounidense, resaltan la importancia de tener en cuenta toda la estructura de una tormenta, algo que ha sido difícil de hacer con las técnicas de pronóstico de granizo existentes.

«Sabemos que la estructura de una tormenta afecta si la tormenta puede producir granizo«, afirma el científico del NCAR David John Gagne, director del equipo de investigación. “Una supercélula tiene más probabilidades de producir granizo que una línea de turbonadas, por ejemplo. Pero la mayoría de los métodos de pronóstico de granizo solo miran una pequeña porción de la tormenta y no pueden distinguir la forma y estructura más amplias”.

Si una tormenta produce granizo o no, depende de innumerables factores meteorológicos. El aire debe estar húmedo cerca de la superficie terrestre, pero seco más arriba. El nivel de congelación dentro de la nube debe ser relativamente bajo al suelo. Las corrientes ascendentes fuertes que mantienen el granizo en alto el tiempo suficiente para crecer son esenciales. Los cambios en la dirección y velocidad del viento a diferentes alturas dentro de la tormenta también parecen tener importancia.

Pero incluso cuando se cumplen todos estos criterios, el tamaño de las piedras de granizo producidas puede variar notablemente, dependiendo del camino que recorran a través de la tormenta y las condiciones en ese camino. Ahí es donde entra en juego la estructura de tormenta.

«La forma de la tormenta es realmente importante«, señala Gagne. «En el pasado, hemos tendido a centrarnos en puntos únicos en una tormenta o en perfiles verticales, pero la estructura horizontal también es muy importante».

Los modelos informáticos actuales tienen un aspecto limitado debido a la complejidad matemática que se necesita para representar las propiedades físicas de una tormenta completa. El aprendizaje automático ofrece una posible solución porque evita la necesidad de un modelo que resuelva la complicada física de tormentas. En cambio, la red neuronal de aprendizaje automático puede ingerir grandes cantidades de datos, buscar patrones y mostrar qué características de tormenta son cruciales para predecir con precisión el granizo.

El modelo de aprendizaje automático descubrió qué características de la tormenta están correlacionadas con si graniza o no y qué tamaño tendrá las piedras de granizo, demostrando que se podía mejorar la predicción de este tipo de tormentas que ocasionan importantes pérdidas económicas.

Por ejemplo, las tormentas que tienen una presión inferior a la media cerca de la superficie y una presión superior a la media cerca de la cima de la tormenta (una combinación que crea fuertes corrientes ascendentes) tienen más probabilidades de producir granizo severo.

También lo son las tormentas con vientos que soplan desde el sureste cerca de la superficie y desde el oeste en la parte superior. Las tormentas con una forma más circular también son más propensas a producir granizo.