Peneliti NASA Memprediksi Intensitas Badai dengan Pembelajaran Mesin

Para peneliti yang dipimpin oleh para ilmuwan di Jet Propulsion Laboratory NASA di California Selatan telah menggunakan pembelajaran mesin untuk mengembangkan model komputer eksperimental untuk meningkatkan akurasi deteksi peristiwa intensifikasi cepat.



CALIFORNIA, IPHEDIA.com - Penelitian NASA dapat membantu meningkatkan prakiraan apakah badai akan tiba-tiba meningkat, yang dapat memberi lebih banyak waktu bagi orang-orang yang berada di jalurnya untuk bersiap.

Pada bulan Oktober 2015, Badai Patricia di Timur Laut Samudra Pasifik meledak dari badai Kategori 1 menjadi monster Kategori 5 dalam waktu 24 jam, anginnya melonjak dari 86 mph (138 kph) menjadi 207 mph (333 kph).

Patricia bukanlah badai pertama atau terakhir yang tiba-tiba menguat dalam waktu sesingkat itu - tetapi itu adalah demonstrasi spektakuler dari sebuah fenomena yang telah mengganggu prakiraan meteorologi selama beberapa dekade.

Memprediksi secara akurat apakah badai akan mengalami intensifikasi cepat - di mana kecepatan angin meningkat 35 mph (56 kph) atau lebih dalam waktu 24 jam - sangatlah sulit.

Tetapi para peneliti yang dipimpin oleh para ilmuwan di Jet Propulsion Laboratory NASA di California Selatan telah menggunakan pembelajaran mesin untuk mengembangkan model komputer eksperimental yang menjanjikan untuk meningkatkan akurasi deteksi peristiwa intensifikasi cepat.

"Ini adalah ramalan penting untuk dilakukan dengan benar karena berpotensi membahayakan orang dan properti," kata Hui Su, seorang ilmuwan atmosfer di JPL, melansir Nasa.gov, Kamis (3/9/2020).

Dia dan rekan-rekannya, termasuk seorang peneliti di National Hurricane Center National Oceanic and Atmospheric Administration, menggambarkan model perkiraan mereka dalam sebuah makalah yang diterbitkan pada 25 Agustus di jurnal Geophysical Research Letters.

Mengamati dan Memprediksi Kekuatan Badai

Ada dua bagian prakiraan badai: jalur dan intensitasnya. Ilmuwan dan peramal telah sangat ahli dalam memprediksi di mana badai akan menghantam daratan. Tetapi meramalkan kekuatannya masih memberi mereka masalah karena bergantung pada lingkungan sekitar serta apa yang terjadi di dalam badai ini.

Sifat-sifat seperti seberapa lebatnya hujan atau seberapa cepat udara bergerak secara vertikal merupakan tantangan untuk diukur di dalam suatu badai. Selain itu, hal ini juga sulit untuk menentukan karakteristik internal mana yang menghasilkan intensifikasi badai yang cepat.

Setelah memilah-milah data satelit selama bertahun-tahun, Su dan rekan-rekannya menemukan bahwa indikator yang baik tentang bagaimana kekuatan badai akan berubah selama 24 jam ke depan adalah tingkat curah hujan di dalam inti dalam badai - area dalam 62 mil (100- kilometer) radius dinding mata, atau dinding tebal badai petir yang mengelilingi mata.

Semakin lebat hujan dalam badai, semakin besar kemungkinan badai akan meningkat. Tim mengumpulkan data curah hujan ini dari Misi Pengukuran Curah Hujan Tropis, proyek satelit gabungan antara NASA dan Badan Eksplorasi Dirgantara Jepang yang beroperasi dari 1997 hingga 2015.

Selain itu, para peneliti menemukan bahwa perubahan intensitas badai bergantung pada kandungan air es di awan dalam badai - pengukuran yang mereka kumpulkan dari pengamatan CloudSat NASA.

Suhu udara yang mengalir menjauh dari mata di puncak badai, yang dikenal sebagai suhu aliran keluar, juga diperhitungkan dalam perubahan intensitas. Su dan rekan-rekannya memperoleh pengukuran suhu aliran keluar dari Microwave Limb Sounder (MLS) NASA di satelit Aura serta dari kumpulan data lainnya.

Menggunakan Kapabilitas Algoritma Komputasi

Tim menambahkan tingkat curah hujan, kandungan air es, dan prediktor suhu keluar ke yang sudah digunakan oleh National Hurricane Center dalam model operasionalnya untuk menghasilkan prediksi mereka sendiri melalui pembelajaran mesin.

Ada begitu banyak variabel di dalam badai, dan mereka berinteraksi dengan cara yang sedemikian rumit, sehingga banyak model komputer saat ini mengalami kesulitan dalam menggambarkan cara kerja bagian dalam badai ini secara akurat.

Namun, pembelajaran mesin lebih mampu menganalisis dinamika internal yang kompleks ini dan mengidentifikasi properti mana yang dapat mendorong lonjakan tiba-tiba dalam intensitas badai.

Para peneliti menggunakan kapabilitas algoritma komputasi dari IBM Watson Studio untuk mengembangkan model pembelajaran mesin mereka. Kemudian, mereka melatih model mereka pada badai dari 1998 hingga 2008 dan mengujinya menggunakan serangkaian badai yang berbeda, dari 2009 hingga 2014.

Su dan rekannya juga membandingkan kinerja model mereka dengan model prakiraan operasional National Hurricane Center untuk badai yang sama dari 2009 hingga 2014.

Untuk badai yang kecepatan anginnya meningkat setidaknya 35 mph (56 kph) dalam 24 jam, model peneliti memiliki probabilitas 60% lebih tinggi untuk mendeteksi peristiwa intensifikasi cepat dibandingkan dengan model perkiraan operasional saat ini.

Untuk badai dengan angin yang melonjak setidaknya 40 mph (64 kph) dalam waktu 24 jam, model baru ini mengungguli model operasional dalam mendeteksi peristiwa ini sebesar 200%.

Su dan koleganya, termasuk kolaborator di National Hurricane Center, sedang menguji model mereka pada badai selama musim badai saat ini untuk mengukur kinerjanya.

Di masa mendatang, mereka berencana menyaring data satelit untuk menemukan karakteristik badai tambahan yang dapat meningkatkan model pembelajaran mesin mereka.

Prediktor seperti apakah hujan lebih deras di satu bagian badai versus bagian lain dapat memberi para ilmuwan pandangan yang lebih baik tentang bagaimana intensitas badai dapat berubah seiring waktu. (ns/ip)

Buka Komentar
Tutup Komentar
No comments:
Write comment

Siapapun boleh berkomentar, tetapi dengan cara yang bijaksana dan bertanggung jawab. Komentar sepenuhnya menjadi tanggung jawab individu komentator seperti yang diatur dalam UU ITE (Undang-Undang Informasi dan Transaksi Elektronik).

TOPIK

Back to Top