Forskere forbedrer det vestlige nordlige Stillehavs tropiske cyklonintensitetsprognoser ved hjælp af den logistiske vækstligning

Tropiske cykloner (TC'er) er ydmygende og magtfulde naturkræfter, der kan have en enorm indvirkning på mennesker og menneskelige befolkninger. Meteorologer har stræbt efter at forbedre TC-prognosefærdigheder, i håb om at redde liv. I de sidste par årtier, TC-sporprognoser over det vestlige nordlige Stillehav (WNP) er gået betydeligt frem. Imidlertid, TC-intensitetsprognoser er forbedret ubetydeligt, med kun 3 til 5 dages leveringstid. Derfor, forbedring af TC-intensitetsprognosefærdigheder og forlængelse af leadprognosetid er vigtige og presserende spørgsmål.

For at løse dette kritiske problem, en forskergruppe ledet af prof. Ruifen Zhan fra Institut for Atmosfæriske og Havvidenskaber/Instituttet for Atmosfæriske Videnskaber ved Fudan Universitet, sammen med Shanghai Typhoon Institute of China Meteorological Administration, har udviklet en ny prognosemetode, der giver mere præcise TC-intensitetsprognoser. Holdet har netop offentliggjort deres resultater i Fremskridt inden for atmosfæriske videnskaber .

"Den nye ordning viser også potentialet for at forudsige TC hurtig intensivering og hurtig svækkelse, og for at forlænge den nuværende 5-dages prognosetidsfrist til 7 dage, " sagde prof. Zhan.

Udviklere baserede den nye tilgang på den logistiske vækstligning. De kombinerede trinvis regression (SWR), som i det væsentlige er en "trial-and-error" metode til variabel testning, og maskinlæring (LightGBM) metoder ved hjælp af observerede og reanalysedata. Resultater viser, at den nye ordning producerer meget mindre signifikant TC-intensitetsprognosefejl end den kinesiske meteorologiske administrations officielle intensitetsprognose, især for TC'er, der har påvirket kystområder i Østasien. Forskere sammenlignede også nye LightGBM-baserede data med resultater opnået ved hjælp af den SWR-baserede metode. Det LightGBM-baserede skema overgik konsekvent konventionelle SWR-baserede processer.

"Fremtidigt arbejde kan være nødvendigt for at overvinde problemet med utilstrækkelige prøver ved at kombinere transferlæringsmetoderne baseret på denne forskning, hvilket er nøglen til, om den nye ordning kan bruges i driftsprognoser." tilføjede prof. Zhiwei Wu, medforfatter til undersøgelsen.