利用机器学习校准预警预报系统中强对流天气灾害的风暴尺度概率指导
大气与海洋物理
2021-05-12 v1 机器学习
摘要
美国国家海洋和大气管理局（NOAA）预警预报（WoF）项目的一个主要目标是为预报员提供快速更新的短期（如0-3小时）强对流天气预报概率指导。要使来自允许对流模式集合预报的强对流天气概率指导的效用最大化，需要进行校准。在本研究中，我们比较了一种基于上升螺旋度（updraft helicity）的简单方法与一系列机器学习（ML）算法在校准WoFS强对流天气指导方面的技巧。ML模型常用于校准强对流天气指导，因为它们能利用多个变量并在复杂数据集中发现有用模式。\indent 我们的数据集包括来自2017-2019年NOAA危险天气测试床春季预报实验（81个日期）的每5分钟可用、预报时效达150分钟的WoF系统（WoFS）集合预报。利用一种新颖的集合风暴轨迹识别方法，我们从WoFS预报中提取了三组预报因子：风暴内部状态变量、近风暴环境变量以及集合风暴轨迹的形态属性。随后我们训练了随机森林、梯度提升树和逻辑回归算法，以预测哪些WoFS 30分钟集合风暴轨迹将对应龙卷、强冰雹和/或强风报告。对于简单方法，我们从每个集合风暴轨迹中提取了2-5 km上升螺旋度（UH）超过阈值（按强对流天气灾害分别调谐）的集合概率。三种ML算法对全部三种灾害均具有良好的判别能力，并产生了比基于UH的预测更可靠的概率。总体而言，结果表明基于ML的动力集合输出校准可改善短期、风暴尺度的强对流天气概率指导。
引用
@article{arxiv.2012.00679,
title = {Using Machine Learning to Calibrate Storm-Scale Probabilistic Guidance of Severe Weather Hazards in the Warn-on-Forecast System},
author = {Montgomery Flora and Corey K. Potvin and Patrick S. Skinner and Shawn Handler and Amy McGovern},
journal= {arXiv preprint arXiv:2012.00679},
year = {2021}
}