Anvendelse af maskinlæring kan optimere prognosen for orkanspor

Når en orkan nærmer sig, et par ekstra timers varsel kan være forskellen mellem liv og død. Nu, Penn State-forskere rapporterer, at anvendelse af en maskinlæringsteknik på en gruppe af mulige stormveje kunne hjælpe meteorologer med at give mere nøjagtige mellemfristede prognoser og udstede rettidige advarsler til lokalsamfund i vejen for disse potentielt dødelige storme.

I en undersøgelse, forskerne brugte maskinlæring til at fjerne visse grupper af orkanforudsigelser fra ensembler - sæt forudsigelser fra vejrmodeller, der er baseret på en række vejrmuligheder - for at sænke fejl og forbedre prognoser fire til seks dage frem. Forskere bruger disse ensemblemodeller, fordi vejret er meget komplekst, og forsøg på at forudsige selv en enkelt begivenhed skaber enorme mængder data, sagde Jenni Evans, professor i meteorologi og atmosfærisk videnskab og direktør for Institute for Computational and Data Sciences.

"Modellerne køres lidt forskelligt mange, mange gange for at skabe et ensemble af mulige fremtidige tilstande i atmosfæren. Det er dette ensemble, der gives til prognoserne, " sagde Evans. "Vi kigger på 120 forskellige prognoser hver gang rundt om på kloden, derefter fokusere på en individuel tyfon eller orkan og spørge, 'Hvad vil denne storm gøre i fremtiden?' Nu, hvis du giver disse forudsigelser til en prognosemand kun et par timer før deres prognose går live, det er en enorm mængde information at behandle. Så, i stedet, vi har brugt avanceret statistik og maskinlæring til at forsøge at opdele disse 120 prognoser i mellem fire og seks klynger, hvor hver klynge repræsenterer en særskilt forudsigelse af stormens udvikling fra alle de andre klynger."

Vejrobservatører kan måske bedre genkende disse ensembler som samlingen af ​​snoede linjer, der viser mulige stormveje i orkansæsonen.

Selvom disse modeller er gode og bliver bedre, de er langt fra perfekte, sagde Evans. Hver forudsigelse kan tage højde for en lille variation i de mange variabler, der udgør vejret, såsom energi fra havet og skyer, tilføjede hun. Også, de fokuserer hovedsageligt på den slags orkaner – som orkanen Sandy i 2012 og orkanen Isaias i 2020 – der bevæger sig op langs kysten og ud af troperne.

"Disse storme er generelt sværere at forudsige, fordi deres miljø ændrer sig så meget gennem deres levetid, " sagde Evans. "Hvis du ser på de nuværende modeller, de er ufuldkomne, fordi du ikke kan se hvert eneste vandmolekyle, du har brug for, og hvert stykke energi fra solen, og vi ved også, at den måde, vi repræsenterer nogle af disse oplysninger på, er ufuldkommen. Men, når du står over for en orkan, det er vigtigt at vide, hvilken type storm du får - og hvornår du får den."

Som en arborist, der skærer svage og beskadigede lemmer væk, så resten af ​​træet kan blomstre, forskerne opdelte ensemblet i grupper af prognoser, kendt som klynger, og "beskæret" dem, der forventedes at fungere dårligt, ifølge Alex Kowaleski, en postdoc i meteorologi og atmosfærisk videnskab. Forskerne fandt ud af, at meget små klynger havde en tendens til at klare sig meget dårligere end andre.

"Der er en stærk sammenhæng mellem klyngestørrelse og klyngefejl, og det er mest fremtrædende for de mindste klynger, " sagde Kowaleski. "De mindste klynger har en tendens til at præstere meget dårligere. Det skyldes ikke blot, at det er en mindre ensemblestørrelse, fordi alt taget i betragtning, hvis du blot øger ensemblestørrelsen blot ved at tilføje flere medlemmer, du får bedre ydeevne op til et vist niveau. Men disse små klynger var så dårlige, at de klarede sig dårligere end et tilfældigt udvalgt ensemblemedlem."

Blandt andre resultater, forskerne, som rapporterer deres resultater i et nyligt nummer af Weather and Forecasting, var i stand til at reducere fejl, der kunne påvirke prognoser, ved at fjerne disse små klynger.

Ifølge Kowaleski, mens de fleste mennesker ved, at orkaner er farlige, de mener ofte ikke, at stormenes farer varierer meget fra sted til sted på grund af faktorer som tidevand og lokal topografi. Imidlertid, clustering kan hjælpe prognosemagere til bedre at forudsige mangfoldigheden af ​​scenarier på forskellige steder langs stormens vej og få mere præcise advarsler til folk, der måske ikke er klar over den skiftende vejrsituation.

"En orkan udgør et enormt område af farer, " sagde Kowaleski. "Hvis du er en interessent eller en person, der bor på kysten, det er lige meget, hvor stormens geografiske centrum er, og hvad den maksimale vindhastighed er. Det, du i sidste ende bekymrer dig om, er, hvad er de alvorlige tilstande, som du og dit samfund kommer til at opleve."

Undersøgelsen omfatter over 120 prognosebegivenheder taget fra Nordatlanten, det østlige nordlige Stillehav, prognoser i det centrale Stillehav, storme i det vestlige nordlige Stillehav, Det sydlige Stillehav og det sydlige Indiske Ocean. Forskerne indhentede sporprognoser for tropiske cykloner, der fandt sted i løbet af 2017 til 2018 fra THORPEX Interactive Grand Global Ensemble, eller TIGGE. De TIGGE-data, der anvendes i denne undersøgelse, er leveret af European Center for Medium-Range Weather Forecasts, National Centers for Environmental Prediction's (NCEP) Global Ensemble Forecast System, UK Met Office Global Ensemble Prediction System og Environment Canada Global Ensemble Prediction System.

Beregninger for denne undersøgelse blev udført på Institute for Computational and Data Sciences (ICDS) Advanced CyberInfrastructure (ICDS-ACI).