基于机器学习的雷达最大垂直速度估计
机器学习
2024-02-19 v2
摘要
尽管风暴上升气流对对流及其相关的严重天气灾害具有内在重要性，其量化在业务预报中仍无法实现。上升气流代理量，如来自卫星图像的过冲云顶面积，已与严重天气灾害相关联，但仅与风暴总上升气流的有限部分有关。本研究探讨机器学习模型（即 U-Nets）是否能熟练地从三维网格化雷达反射率中反演最大垂直速度及其面积范围。该机器学习模型使用来自国家强风暴实验室允许对流的 Warn on Forecast System（WoFS）的模拟雷达反射率和垂直速度进行训练。一种采用 sinh-arcsinh-normal 分布的参数化回归技术被改造以与 U-Nets 协同运行，从而允许对最大垂直速度进行确定性与概率性预测。经过超参数搜索的最佳模型在由 WoFS 数据构成的独立测试集上提供了低于 50% 的均方根误差、大于 0.65 的判定系数以及大于 0.45 的交并比（IoU）。除 WoFS 分析外，还使用真实雷达数据及相应超级单体中垂直速度的双重多普勒分析进行了案例研究。U-Net 持续将双重多普勒上升气流速度估计低估 50。同时，5 和 10 m s^-1 上升气流核的面积显示出 0.25 的 IoU。尽管上述统计并不出色，该机器学习模型能够快速度提取与最大垂直速度相关的三维雷达数据，这可能有助于评估风暴的严重潜势。
引用
@article{arxiv.2310.09392,
title = {Machine Learning Estimation of Maximum Vertical Velocity from Radar},
author = {Randy J. Chase and Amy McGovern and Cameron Homeyer and Peter Marinescu and Corey Potvin},
journal= {arXiv preprint arXiv:2310.09392},
year = {2024}
}