机器学习的应用可以优化飓风航迹预报

当飓风来临时，多通知几个小时可能就是生与死的区别。现在，宾夕法尼亚州立大学的研究人员报告说，将机器学习技术应用于一组可能的风暴路径可以帮助气象学家提供更准确的中期预报，并向社区发出有关这些潜在致命风暴路径的及时警告。

在一项研究中，研究人员使用机器学习从整体中删除了某些飓风预测组(基于一系列天气可能性的天气模型预测集)，以降低误差并在未来四到六天改进预报。气象和大气科学教授，计算与数据科学研究所所长詹尼·埃文斯说，科学家们使用这些集合模型是因为天气非常复杂，甚至试图预测单个事件也会产生大量数据。

埃文斯说：“模型的运行多次，多次略有不同，以创建可能的未来大气状态集合。正是这种集合提供给了预报员。” “我们正在全球范围内每次查看120种不同的预报，然后将重点放在单个台风或飓风上，并问，'未来这场风暴会做什么?' 现在，如果您仅在预测生效前几个小时将这些预测提供给预测者，则需要处理大量信息，因此，我们使用了高级统计信息和机器学习来尝试分解这120个预测分为四个到六个集群，每个集群代表来自其他所有集群的风暴演变的不同预测。”

天气观察者可能会更好地认识到这些合奏，因为这些曲折的线条集合显示了飓风季节可能出现的风暴路径。

埃文斯说，尽管这些模型既好又在进步，但远非完美。她补充说，每个预测都可能解释构成天气的许多变量(例如来自海洋和云层的能量)的细微变化。此外，他们主要关注的是飓风，如2012年的桑迪飓风和2020年的以赛亚斯飓风，这些飓风会沿着海岸蔓延，并进入热带地区。

埃文斯说：“这些风暴通常更难预测，因为它们的环境在一生中变化很大。” “如果您查看当前的模型，它们是不完善的，因为您看不到所需的每个水分子和来自太阳的每一个能量，而且我们也知道我们如何表示某些信息是不完善的但是，当您面对飓风时，了解您将要遇到的风暴类型以及何时要获得风暴很重要。”

正如Alex Kowaleski所说，研究人员就像将树木的四肢砍掉脆弱且受损的肢体以便树木的其余部分蓬勃发展一样，将整体分为预测组(称为簇)，并“修剪”了预期表现较差的那些。气象学和大气科学博士后。研究人员发现，很小的集群往往比其他集群表现更差。

Kowaleski说：“群集大小和群集错误之间存在很强的关系，对于最小的群集来说，这种关系最为明显。” “最小的群集的性能往往会差很多。这不仅仅是因为它的集合大小较小，因为，从所有方面考虑，如果仅通过添加更多成员来增加集合大小，您将获得更好的性能。一定程度。但是这些小团簇是如此之差，以致比随机选择的合奏团成员做得更糟。”

除其他结果外，研究人员在最近一期的《天气与天气预报》中报告了他们的发现，他们能够通过删除这些小簇来减少可能影响预报的误差。

据科瓦列斯基说，尽管大多数人都知道飓风是危险的，但他们通常不认为由于潮汐和当地地形等因素，飓风的危害因地而异。但是，聚类可以帮助预报员更好地预测风暴路径沿线不同位置的各种情况，并向可能不知道天气变化的人们提供更精确的警告。

科瓦雷斯基说：“ 飓风带来了很大的危险。” “如果您是利益相关者或居住在海岸上的人，那么风暴的地理中心在哪里以及最大风速是多少都没有关系。您最终要关心的是您和您的社区将体验。”

该研究包括来自北大西洋，北太平洋东部，中太平洋预测，北太平洋西部风暴，南太平洋和南印度洋的120多个预报事件。研究人员从THORPEX Interactive Grand Global Ensemble或TIGGE获得了2017年至2018年热带气旋的追踪预报。本研究中使用的TIGGE数据由欧洲中型天气预报中心，国家环境预测中心(NCEP)全球集合预报系统，英国气象局全球集合预报系统和加拿大环境部全球集合预报系统提供。 。

这项研究的计算是在计算和数据科学研究所(ICDS)的高级网络基础设施(ICDS-ACI)上进行的。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！