Un equip de la Universitat de València desenvolupa un sistema nou per predir huracans severs mitjançant Intel·ligència Artificial
Un equip de recerca de l’Image Processing Laboratory (IPL) ha desenvolupat un sistema capaç d’analitzar i combinar òptimament certs paràmetres estructurals dels núvols a partir d’imatges procedents de satèl·lits GOES
L’objectiu és predir de manera eficaç mitjançant tècniques d’IA el potencial d’intensificació dels huracans
El treball s’ha publicat en la revista Remote Sensing
Els huracans, la complexitat i la força dels quals augmenten en un món cada vegada més càlid, suposen una de les pitjors catàstrofes naturals del segle XXI. Per això, és crucial fer nous estudis que integren les característiques canviants dels huracans, així com mètodes que permeten aprendre patrons complexos per predir esdeveniments futurs.
El grup AI4OCEANS de l’Image Processing Laboratory (IPL) de la Universitat de València ha elaborat un estudi que aporta noves dades relacionades amb l’anatomia i la temperatura del sistema de núvols, i les analitza mitjançant algoritmes de machine learning –aprenentatge automàtic– per al diagnòstic d’una possible transició a huracà més gran. La precisió final de la predicció és del 79%, amb un màxim de 54 hores d’antelació per a esdeveniments d’huracans severs a l’entorn dels oceans Atlàntic i Pacífic.
“El machine learning ens permet analitzar les característiques dels núvols prominents d’un cicló tropical encara incipient i establir relacions no lineals entre les variables del procés per diagnosticar la seua possible progressió a huracà sever”, explica la climatòloga Verónica Nieves, investigadora CIDEGENT, responsable de AI4OCEANS i líder del projecte. Per a l’estudi, l’equip s’ha servit de les dades que desprèn la nau GOES, un sistema de satèl·lits geoestacionaris desenvolupat per la NASA per a la predicció climàtica i meteorològica a l’hemisferi occidental.
Els resultats han estat obtinguts mitjançant un algorisme d’identificació de patrons especials –k-means– aplicat a les imatges GOES. A més, els paràmetres han estat combinats de forma òptima mitjançant un algorisme anomenat “de bosc aleatori”, una tècnica de machine learning molt utilitzada per la seua aplicabilitat a problemes molt diversos en la classificació d’esdeveniments. “Aquesta és la primera vegada que es combina aquest conjunt únic de variables mitjançant un enfocament híbrid basat en IA”, comenta l’investigador Javier Martínez-Amaya, membre de l’equip.
El procediment d’avaluació i diagnòstic que proposa l’estudi publicat en Remote Sensing permet integrar altres característiques o factors per a l’anàlisi futura dels efectes de les variacions ambientals, com ara l’estacionalitat. “Hem creat un sistema adaptable capaç d’ajustar paràmetres a mesura que s’incorporen nous processos”, afegeix Cristina Radin, membre també del grup AI4OCEANS i cofirmant de l’article.
Aquest estudi es desenvolupa en el marc del projecte MALOPH: A novel Machine Learning based perspective to identify and model Ocean Precursors to extreme Hurricane development, finançat per l'Agència Espacial Europea (ESA).
L’equip de Verónica Nieves centra el seu treball en la pròxima generació d’algoritmes avançats d’anàlisi de dades d’observació de la Terra. La investigadora ha participat recentment a l’elaboració d’un informe internacional del Grup d’Experts en Intel·ligència Artificial per a la Predicció del Sistema Terrestre (Capítol: AI4ESP Dinàmica costanera, oceà i gel). Elaborat per més de 740 participants de 178 institucions de tot el món, el text fa referència a l’important paper que exerceixen la IA i el machine learning en la millora de models integrats que incorporen processos naturals complexos en suport a la presa de decisions, un dels desafiaments científics emergents en aquest camp.
