Angesichts der Herausforderungen, die der Klimawandel bei der Vorhersage von Taifunen mit sich bringt, hat ein Forscherteam eine Technologie entwickelt, die Echtzeit-Satellitendaten und Deep-Learning-Funktionen nutzt, um Taifune präziser vorherzusagen.
Unter der Leitung von Professor Jungho Im von der Fakultät für Bau-, Stadt-, Erd- und Umweltingenieurwesen der UNIST hat das Forschungsteam ein auf Deep Learning basierendes Vorhersagemodell vorgestellt, das Daten von geostationären Wettersatelliten und Daten numerischer Modelle in Echtzeit kombiniert.
Die Ergebnisse wurden veröffentlicht in Geoinformatik und Fernerkundung Und iWissenschaft im März bzw. Juni 2024.
Das vom Forschungsteam vorgeschlagene Modell Hybrid-Convolutional Neural Networks (Hybrid-CNN) kombiniert effektiv satellitengestützte räumliche Eigenschaften und numerische Vorhersagemodellergebnisse, um die Intensität tropischer Wirbelstürme (TC) mit Vorlaufzeiten von 24, 48 und 72 Stunden objektiv und genau vorherzusagen. Das Hybrid-CNN-Modell weist eine erhebliche Verringerung der mit numerischen Modellen verbundenen Unsicherheit auf und ermöglicht so eine genauere Taifunvorhersage.
Die traditionelle Methode zur Taifunbeobachtung stützt sich in hohem Maße auf Daten geostationärer Satelliten, die von Meteorologen analysiert werden. Dieser Ansatz wird jedoch durch die Notwendigkeit langer Analysezeiten und die inhärenten Unsicherheiten numerischer Modelle behindert. Im Gegensatz dazu reduziert das Hybrid-CNN-Modell die mit numerischen Modellen verbundene Unsicherheit erheblich und ermöglicht so eine genauere Taifunvorhersage.
Das Forschungsteam verwendete ein Transferlernmodell, um die TC-Intensität anhand von Satellitendaten des 2010 gestarteten Kommunikations-, Ozean- und Meteorologiesatelliten (COMS) und des 2019 gestarteten GEO-KOMPSAT-2A (GK2A) abzuschätzen. Die KI visualisierte und analysierte den automatischen Prozess der Taifunintensitätsabschätzung quantitativ, um die Genauigkeit der Taifunvorhersagen zu erhöhen.
Umweltfaktoren, die sich auf Änderungen der TC-Intensität auswirken, können objektiv extrahiert und auf das Feldvorhersagesystem angewendet werden. Es wird erwartet, dass diese Technologie die Katastrophenvorsorge und Schadensverhütung erheblich unterstützen wird, indem sie Meteorologen schnelle und genaue Informationen über Taifuns liefert.
Professor Im erklärte: „Unser auf Deep Learning basierendes Framework zur Vorhersage von Taifunen wird es Meteorologen ermöglichen, schnelle und effektive Maßnahmen zu entwickeln, indem es genauere Vorhersageinformationen liefert.“
Mehr Informationen:
Minki Choo et al., Überbrückung von Satellitenmissionen: Deep Transfer Learning zur verbesserten Schätzung der Intensität tropischer Wirbelstürme, Geoinformatik und Fernerkundung (2024). DOI: 10.1080/15481603.2024.2325720
Juhyun Lee et al., Verbesserung der Vorhersage der Intensität tropischer Wirbelstürme durch erklärbares Deep Learning unter Einbeziehung von Satellitenbeobachtungen und numerischen Modellergebnissen, iWissenschaft (2024). DOI: 10.1016/j.isci.2024.109905