Optrævler sangen om is og ild på tværs af det amerikanske landskab med maskinlæring

I det barske terræn i det vestlige USA, hvor naturbrande hærger ukontrolleret, opstår der en overraskende forbindelse med den tumultariske himmel i det centrale USA. En nylig undersøgelse offentliggjort i Advances in Atmospheric Sciences udforsker det spændende forhold mellem skovbrande i Vesten og haglstorme i det centrale USA.

Kernen i denne banebrydende undersøgelse ledet af Jiwen Fan, som var på Pacific Northwest National Laboratory og i øjeblikket er på Argonne National Laboratory, ligger den innovative anvendelse af maskinlæringsteknikker (ML) til at belyse den skjulte forbindelse mellem tilsyneladende forskellige fænomener.

Maskinlæringsalgoritmer, herunder Random Forest og Extreme Gradient Boosting, bruges til at analysere enorme datasæt, der spænder over to årtier, fra 2001 til 2020. Disse ML-modeller er trænet til at forudsige forekomsten af ​​store hagl i de centrale amerikanske stater baseret på en lang række variabler, herunder meteorologiske forhold i brandregionen, vindmønstre og egenskaber ved naturbrande selv.

Gennem omhyggelig analyse og databehandling opnår ML-modellerne en bemærkelsesværdig nøjagtighed, med forudsigelser på over 90 % i nogle tilfælde. Ved at identificere nøglevariabler og mønstre afslører disse modeller sammenhænge mellem skovbrande i det vestlige USA og haglstorme i det centrale USA, hvilket giver uvurderlig indsigt i de fjerntliggende virkninger af naturbrande på alvorlige vejrbegivenheder tusinder af kilometer væk.

"Vi er nu i stand til at male et levende billede af det indviklede forhold mellem ild og hagl på tværs af det amerikanske landskab. Skodebrande i det vestlige USA udøver en vidtrækkende indflydelse på atmosfæriske forhold og former banen for alvorlige vejrbegivenheder tusinder af kilometer væk. -noget, som vi aldrig troede før," sagde Dr. Jiwen Fan.

"Meteorologiske variabler som vestenvind, temperaturen og den relative luftfugtighed i brandområdet og intensiteten af ​​naturbrande dukker op som nøglespillere i denne klimatiske symfoni."

Alligevel er der masser af udfordringer midt i opdagelsens vidunder. Forsøg på at forudsige den daglige optælling af store haglhændelser afslører kompleksiteten af ​​naturens luner, og minder os om vejrfænomenernes uforudsigelige natur. Efterhånden som forskere fortsætter med at forfine deres modeller og konfrontere dataubalancer, fortsætter søgen efter forståelse.

Anvendelsen af ​​ML-teknikker repræsenterer et betydeligt fremskridt inden for atmosfærisk videnskab, som giver forskere mulighed for at navigere i komplekse datasæt og udtrække meningsfulde mønstre, der kan have unddraget sig traditionelle statistiske metoder.

Med ML som deres rettesnor begiver videnskabsfolk sig ud på en rejse for at opklare mysterierne om Jordens indbyrdes forbundne systemer og bane vejen for mere præcise forudsigelser og proaktive foranstaltninger i lyset af klimadynamikkens udvikling.

Flere oplysninger: Xinming Lin et al., Machine Learning Analysis of Impact of Western US Brands on Central US Hailstorms, Advances in Atmospheric Sciences (2024). DOI:10.1007/s00376-024-3198-7

Journaloplysninger: Fremskridt inden for atmosfæriske videnskaber

Leveret af Chinese Academy of Sciences