解锁 GOES：量化热带气旋对流结构演化的统计框架

热带气旋（TCs）是美国代价最高的自然灾害之一，准确的路径和强度预报对应急响应至关重要。强度指导稳步但缓慢地改进，因为驱动强度变化的进程尚未被完全理解。由于大多数热带气旋在远离陆基观测网络处发展，地球静止卫星影像对监测这些风暴至关重要。然而，这些复杂数据在实时分析中具有挑战性，且现成的机器学习算法因其“黑箱”结构在此方面的适用性有限。本研究提出了分析工具，量化海洋热带气旋红外卫星影像中的对流结构模式，产生低维但丰富的表示，支持对这些模式在快速强度变化期间如何演化的分析与可视化。所提出的 ORB 特征集针对热带气旋的全局组织（Organization）、径向结构（Radial structure）和整体形态（Bulk morphology）。通过结合 ORB 与经验正交函数，我们获得了可解释且丰富的对流结构模式表示，作为机器学习方法的输入。本研究使用 logistic lasso（一种带惩罚的广义线性模型）将预测因子与快速强度变化关联。仅使用 ORB，识别此类强度变化事件存在（相对于不存在）的二分类器可达到与使用环境预测因子单独的分类器相当的准确率，而组合预测因子集在某些设定下提高了分类准确率。更复杂的非线性机器学习方法对当前数据并未优于线性 logistic lasso 模型。