Nowcasting di fulmini con aerosol
npj Climate and Atmospheric Science volume 6, numero articolo: 126 (2023) Citare questo articolo
97 Accessi
2 Altmetrico
Dettagli sulle metriche
La previsione accurata e tempestiva dei fulmini svolge un ruolo cruciale nella salvaguardia del benessere umano e dell’ambiente globale. I modelli basati sull’apprendimento automatico sono stati precedentemente utilizzati per la previsione del verificarsi dei fulmini, offrendo vantaggi in termini di efficienza di calcolo. Tuttavia, questi modelli sono stati ostacolati da una precisione limitata dovuta a una rappresentazione inadeguata dei complessi meccanismi che guidano i fulmini e da un set di dati di addestramento limitato. Per affrontare queste limitazioni, presentiamo un approccio di apprendimento automatico che integra funzionalità di aerosol per catturare in modo più efficace i meccanismi dei fulmini, integrato da osservazioni satellitari arricchite dal Geostationary Lightning Mapper (GLM). Attraverso l'addestramento di un modello LightGBM ben ottimizzato, generiamo con successo nowcast spazialmente continui (0,25° per 0,25°) e orari dei fulmini sugli Stati Uniti contigui (CONUS) durante la stagione estiva, superando le prestazioni delle linee di base della concorrenza. Le prestazioni del modello vengono valutate utilizzando vari parametri, tra cui accuratezza (94,3%), probabilità di rilevamento (POD, 75,0%), rapporto falsi allarmi (FAR, 38,1%), area sotto la curva della curva di precisione-richiamo (PRC-AUC, 0,727) . Oltre al set di dati arricchito, il miglioramento delle prestazioni può essere attribuito all’inclusione delle caratteristiche dell’aerosol, che ha migliorato significativamente il modello. Questo aspetto cruciale è stato trascurato negli studi precedenti. Inoltre, il nostro modello svela l’influenza della composizione e del carico dell’aerosol sulla formazione dei fulmini, indicando che un elevato carico di aerosol costituito da solfati e composti organici tende a migliorare l’attività dei fulmini, mentre il nerofumo la inibisce. Questi risultati sono in linea con le attuali conoscenze scientifiche e dimostrano l’immenso potenziale per chiarire i complessi meccanismi alla base dei fenomeni di fulmini associati agli aerosol.
I fulmini, una delle principali cause di mortalità umana naturale, rappresentano una minaccia significativa per la società moderna, provocando oltre 4000 morti ogni anno a livello globale1,2. Inoltre, comporta perdite economiche significative: solo gli Stati Uniti subiscono danni per circa 1 miliardo di dollari all’anno. La previsione tempestiva e accurata dei fulmini svolge un ruolo fondamentale nel facilitare la preparazione alle emergenze e le misure protettive. Inoltre, i fulmini costituiscono una fonte naturale primaria di ossidi di azoto, esercitando quindi una notevole influenza sulla chimica atmosferica3, sottolineando la criticità della previsione dei fulmini nella salvaguardia del benessere umano e dell’ambiente globale.
I fulmini si verificano comunemente durante la formazione di temporali, che sono tipicamente caratterizzati da elevati livelli di umidità e un'atmosfera instabile4,5,6,7,8. I modelli numerici possono simulare esplicitamente la formazione dei fulmini incorporando processi microfisici parametrizzati9,10. Tuttavia, gli attuali modelli numerici faticano a trovare un equilibrio tra elevata rilevabilità dei fulmini e bassi tassi di falsi allarmi (FAR), limitando così la loro applicabilità nella previsione dei fulmini11,12,13. Inoltre, le esigenze computazionali della simulazione dei fulmini all’interno dei modelli numerici ostacolano l’efficienza del nowcasting dei fulmini, dove la tempestività è cruciale in settori come l’aviazione e l’industria manifatturiera. Al contrario, i modelli di fulmini basati sui dati basati sull’osservazione sono emersi come metodi efficienti per ottenere previsioni accurate dei fulmini, sfruttando campioni di verità a terra a un costo computazionale inferiore. Ad esempio, Mostajabi et al.14 sono stati pionieri nell'esplorazione di modelli basati sui dati per la previsione dei fulmini nelle ore future con notevole precisione, utilizzando esclusivamente variabili meteorologiche. Inoltre, la capacità intrinseca dei modelli di apprendimento automatico di acquisire caratteristiche non lineari consente prestazioni elevate anche con input di funzionalità semplici e pratici. Finora, sono stati esplorati una serie di modelli di apprendimento automatico per prevedere il verificarsi di fulmini con variabili meteorologiche provenienti dalla stazione meteorologica o dal modello meteorologico assimilato e dal radar meteorologico, inclusa la rete neurale artificiale e l'albero decisionale15, la macchina per l'amplificazione del gradiente di luce (LightGBM) 16, supporta macchine vettoriali e foresta casuale17 e rete neurale ricorrente con memoria a lungo termine18. Gli attuali modelli di machine learning dimostrano un’elevata efficienza; tuttavia, incontrano ancora problemi con FAR elevati e livelli di elevata probabilità di rilevamento (POD)17. Questa limitazione può essere attribuita a set di dati di addestramento insufficienti e a dati di funzionalità incompleti utilizzati nei modelli precedenti, che verranno accuratamente chiariti nelle sezioni successive.