文章来源:Analytics India 文章翻译:DeepL
全球各地有少部分地区一直在遭受来自飓风和强热带气旋的不利影响,研究人员和科学家们为此必须开发一种方法来预测和分析这些飓风类型特征。因此,为了预测未来的飓风强度,美国宇航局位于南加州的喷气推进实验室的科学家们提出了一种机器学习模型,声称可以准确预测飓风未来的快速强度事件。
图中为2020年8月27日北美飓风-劳拉
了解飓风强度的关键因素是风速。传统上,在风暴或飓风酝酿时就预测它的危害程度是一个挑战。然而,美国宇航局的新机器学习模型可以提高预测的准确性,并提供更好的结果。这个模型是通过提取多年的卫星数据训练开发出来的,它声称可以预测飓风的强度,预报也更加准确。这使得人们可以在风暴真正来临之前就做好准备。当被问及时,喷气推进实验室(JPL)的大气科学家Hui Su[1]时表示(相关成果以发表在GRL上,可点击原文阅读跳转),由于飓风和风暴对人们和财产的潜在危害,这样的预测是至关重要的,必须要做对。
补充阅读:基于深度学习的飓风强度估计将追踪飓风佛罗伦萨的路径[2]
1.背后技术概述
准确预报飓风的两个关键因素是预测其轨迹和强度。虽然科学家们已经成功地实现了对轨迹的预测,但对其危害程度及其内部特征的预测一直是一个挑战。不仅因为它取决于周围的环境,并且事实上像降水和风的准确预测也是一个挑战。因此,为了促成准确预报的目标,美国宇航局的科学家们研究了从各种卫星上收集的大量数据,确定了降水量、风速以及其他与飓风相关的附属数据,如云层、水汽、温度曲线等。
首先,科学家们介绍了这些测量结果与未来飓风强度变化之间的经验关系,并确定了他们可以用于业务预报模型的观测结果。之后,科学家们展示了机器学习模型对大西洋和北太平洋东部地区快速加强的预测技巧,以及从卫星观测中得出的联合预测因子。
在研究云卫星数据中的冰和液态水含量时,研究人员意识到,加强型风暴和飓风强度的冰和液态水含量较高,但不一定高于削弱型飓风。因此,根据飓风潜在强度理论,热带对流层的外流温度是决定飓风最大强度的关键。这表示,研究能否利用风暴结构的卫星信息来预测热带气旋或飓风的强度是非常必要的。
热带气旋以风暴为中心坐标的地面降水率
根据风速和24小时强度变化分析的数据,研究人员创建了四种强度类型:热带低气压;热带风暴;1-2级飓风;3-5级飓风。这些分别表示减弱加强;中性加强;缓慢加强;快速加强。
2.机器学习模型
在取得结果的同时,研究人员注意到,在每个组别中飓风强度的增加也会增加内核的降水率,从而也增加了增强速率。在这项研究中,内核指的是风暴中心半径100公里左右的区域,由于综合降水分布存在一定的方位不对称性,结果似乎不是那么准确。因此,他们决定对风暴中心降水的波数分析可能是取得预测准确结果的关键因素。
左:四组飓风强度的内核降水率函数。右:所有组别的飓风未来24小时强度变化。
为了提升预测降水激增和其他风暴结构测量的能力,通过采用逻辑回归、随机森林、决策树等方法,研究人员应用机器学习技术预测飓风快速加强的相关因子和参数。包括IBM Watson studio在内的研究人员也建立了他们的机器学习预测飓风强度的模型。利用1998年至2008年的气候预测系统再分析和GOES IR卫星数据库,分别对大西洋和EPAC地区的机器学习模型进行了训练。
利用国家环境预测中心档案数据、全球预报系统数据和2009年至2014年的局地数据,对模型进行快速强化测试。此外,为了比较机器学习模型的结果,研究人员将其与NHC的快速集约化业务模式返回的预报结果进行了对比。
快速强化事件出现的预测技巧
凭借这些结果,研究人员展示了卫星观测到的内部风暴结构与降水、液体含量和出流温度等参数是如何支撑按照当前强度排序后与飓风加强率的之间的简单关系。
3.结果与结论
结果表明,研究人员所提出的机器学习模型在预测大西洋盆地的快速强化(RI)方面产生了显著的改进。对于这种强烈的RI事件,国家飓风中心的模型在大西洋表现出较低的性能。然而,所提出的方法将快速加强事件的检测概率提高了约200%,而代价是只提高了6%的误报率。同时,这些快速强化事件的整体技巧也提高了138%。
这样扎实的数据表明,研究人员开发的机器学习模型可以轻松超越传统模型37%,激增降水量的加入贡献了其中的24%。研究人员总结: "将卫星检索数据智能地应用到机器技术的业务预报中,具有巨大的潜力"。
点击原文阅读跳转至文中涉及GRL相关学术文章!
参考资料