深度学习揭示的热带气旋强度与能量极值的气候趋势
大气与海洋物理
2024-02-02 v1 人工智能
摘要
人为影响已被证实与热带气旋（TC）极向迁移、TC 极端降水以及强飓风比例的增加有关 [1, 2, 3, 4]。考虑到不断变化的气候，了解过去的 TC 趋势和变率对于预测未来 TC 对人类社会的影响至关重要 [5]。然而，由于观测有限，过去 TC 结构/能量的趋势仍不确定；主观分析且时空异质性的“最佳路径”数据集导致对评估的 TC 对气候变化响应的置信度降低 [6, 7]。在此，我们使用深度学习重建过去的“观测”，并生成 1981 年至 2020 年期间的客观全球 TC 风廓线数据集，从而促进对 TC 结构/能量的全面考察。通过使用整合了 2004 年至 2018 年 TC 最佳路径和数值模型分析的独特标记数据进行训练，我们的模型将多通道卫星图像转换为轴对称表面风的 0-750 km 风廓线。通过与独立的卫星-雷达表面风进行比较，验证了该模型的性能足以用于气候研究。基于这一新的均一化数据集，过去四十年中强 TC 的比例增加了约 13%。此外，极高能量 TC 的比例增加了约 25%，同时高能量 TC 的平均总能量也呈现增长趋势（超过 40 年变率的一个标准差）。尽管海洋变暖有利于 TC 增强，但 TC 路径向更高纬度的迁移以及环境的改变进一步影响了 TC 的结构/能量。这种新的深度学习方法/数据集揭示了关于 TC 结构极值的新趋势，并可能有助于验证在变化气候下关于 TC 的模拟/研究。
引用
@article{arxiv.2402.00362,
title = {Climate Trends of Tropical Cyclone Intensity and Energy Extremes Revealed by Deep Learning},
author = {Buo-Fu Chen and Boyo Chen and Chun-Min Hsiao and Hsu-Feng Teng and Cheng-Shang Lee and Hung-Chi Kuo},
journal= {arXiv preprint arXiv:2402.00362},
year = {2024}
}
备注
41 pages