利用机器学习改进意大利北部和中部极端降水预报

准确预测强降水事件是业务气象服务的主要目标之一。随着全球变暖加速并加剧此类事件，该任务在当今显得尤为重要。数值天气预报模型虽已持续改进并通过动力集合提供不确定性估计，但直接降水预报仍具挑战性。机器学习工具的日益普及为混合预报方法铺平了道路，即最优结合物理模型、事件统计量和面向用户的后处理。本文描述了一条基于随机森林流程的特定链条，专门用于识别导致极端降水的有利天气尺度条件，并随后将极端事件分类为预定义类型。该应用以意大利北部和中部为试验区域，但可无缝扩展至其他区域和时间尺度。该系统名为 MaLCoX（Machine Learning model predicting Conditions for eXtreme precipitation，预测极端降水条件的机器学习模型），目前在意大利艾米利亚 - 罗马涅大区气象局（ARPAE Emilia-Romagna）每日运行。MaLCoX 以 ARCIS 网格化高分辨率降水数据集为目标真值，使用过去 20 年的 ECMWF 再预报数据集作为输入预测因子进行训练。我们表明，在足够长的训练期下，将大尺度信息与直接模式输出进行最优融合，可提高中期极端事件的概率预报准确率。此外，通过特定方法，我们提供了一种有用的诊断工具，向预报员传达导致气象事件极端的潜在物理过程线索。