Un nuovo modello di machine learning prevede cicloni tropicali con alta precisione

Roma – Stimare se è in arrivo un ciclone tropicale, se sono in rapida intensificazione e in quali aree dell’oceano o se sono in avvicinamento altri fenomeni meteorologici che minacciano catastrofi naturali, sarà potenzialmente più facile. Grazie a un modello di machine learning sviluppato da ricercatori dell’Institute of Oceanology, Chinese Academy of Sciences, descritto in uno studio pubblicato oggi su PNAS (Proceedings of the National Academy of Sciences). Tale modello è in grado di migliorare la previsione della rapida intensificazione dei cicloni tropicali, ovvero che presentano un aumento della velocità del vento di almeno 13 m/s entro 24 ore. Prevedere la rapida intensificazione dei cicloni tropicali, un fenomeno meteorologico altamente pericoloso, con alta precisione resta una sfida per la ricerca e la meterologia. Gli attuali modelli di apprendimento automatico possono prevedere una rapida intensificazione dei cicloni tropicali con un’accuratezza dell’82,6% e con un tasso di falsi allarmi del 27,2%. I ricercatori ritenendo che questi dati fossero migliorabili hanno sviluppato un modello di deep learning contrastivo, un modello di apprendimento automatico per classificare tra immagini simili e diverse, sfruttando immagini satellitari a infrarossi e dati atmosferici e oceanici. Dopo l’addestramento, il modello è stato convalidato sulla base di 1.149 periodi di cicloni tropicali tra il 2020 al 2021 rilevati nel Pacifico nord-occidentale, dimostrando una capacità di previsione della rapida intensificazione del fenomeno con una accuratezza del 92,3% e un tasso di falsi allarmi dell’8,9%. I precedenti modelli di deep learning presentavano degli squilibri nei campioni analizzati poiché gli eventi di rapida intensificazione sono relativamente rari, diversamente da un modello di deep learning contrastivo che viene addestrato utilizzando coppie bilanciate di eventi di rapida intensificazione e di intensificazione non rapida. Il modello ha anche incorporato caratteristiche strutturali 3D di cicloni tropicali, migliorando le precedenti rappresentazioni 1D di cicloni tropicali. Secondo gli autori, il modello di deep learning contrastivo consente di prevedere con una maggiore precisione fenomeni meteorologici che possono rappresentare pericoli significativi.(30Science.com)