機器學習模型成為NASA最新預測颶風強度的背後技術

文章來源：Analytics India

文章翻譯：DeepL

全球各地有少部分地區一直在遭受來自颶風和強熱帶氣旋的不利影響，研究人員和科學家們為此必須開發一種方法來預測和分析這些颶風類型特徵。因此，為了預測未來的颶風強度，美國宇航局位於南加州的噴氣推進實驗室的科學家們提出了一種機器學習模型，聲稱可以準確預測颶風未來的快速強度事件。

圖中為2020年8月27日北美颶風-蘿拉

了解颶風強度的關鍵因素是風速。傳統上，在風暴或颶風醞釀時就預測它的危害程度是一個挑戰。然而，美國宇航局的新機器學習模型可以提高預測的準確性，並提供更好的結果。這個模型是通過提取多年的衛星數據訓練開發出來的，它聲稱可以預測颶風的強度，預報也更加準確。這使得人們可以在風暴真正來臨之前就做好準備。當被問及時，噴氣推進實驗室(JPL)的大氣科學家Hui Su[1]時表示(相關成果以發表在GRL上，可點擊原文閱讀跳轉)，由於颶風和風暴對人們和財產的潛在危害，這樣的預測是至關重要的，必須要做對。

補充閱讀：基於深度學習的颶風強度估計將追蹤颶風佛羅倫斯的路徑[2]

1.背後技術概述

準確預報颶風的兩個關鍵因素是預測其軌跡和強度。雖然科學家們已經成功地實現了對軌跡的預測，但對其危害程度及其內部特徵的預測一直是一個挑戰。不僅因為它取決於周圍的環境，並且事實上像降水和風的準確預測也是一個挑戰。因此，為了促成準確預報的目標，美國宇航局的科學家們研究了從各種衛星上收集的大量數據，確定了降水量、風速以及其他與颶風相關的附屬數據，如雲層、水汽、溫度曲線等。

首先，科學家們介紹了這些測量結果與未來颶風強度變化之間的經驗關係，並確定了他們可以用於業務預報模型的觀測結果。之後，科學家們展示了機器學習模型對大西洋和北太平洋東部地區快速加強的預測技巧，以及從衛星觀測中得出的聯合預測因子。

在研究雲衛星數據中的冰和液態水含量時，研究人員意識到，加強型風暴和颶風強度的冰和液態水含量較高，但不一定高於削弱型颶風。因此，根據颶風潛在強度理論，熱帶對流層的外流溫度是決定颶風最大強度的關鍵。這表示，研究能否利用風暴結構的衛星信息來預測熱帶氣旋或颶風的強度是非常必要的。

熱帶氣旋以風暴為中心坐標的地面降水率

根據風速和24小時強度變化分析的數據，研究人員創建了四種強度類型：熱帶低氣壓；熱帶風暴；1-2級颶風；3-5級颶風。這些分別表示減弱加強；中性加強；緩慢加強；快速加強。

2.機器學習模型

在取得結果的同時，研究人員注意到，在每個組別中颶風強度的增加也會增加內核的降水率，從而也增加了增強速率。在這項研究中，內核指的是風暴中心半徑100公裡左右的區域，由於綜合降水分布存在一定的方位不對稱性，結果似乎不是那麼準確。因此，他們決定對風暴中心降水的波數分析可能是取得預測準確結果的關鍵因素。

左：四組颶風強度的內核降水率函數。右：所有組別的颶風未來24小時強度變化。

為了提升預測降水激增和其他風暴結構測量的能力，通過採用邏輯回歸、隨機森林、決策樹等方法，研究人員應用機器學習技術預測颶風快速加強的相關因子和參數。包括IBM Watson studio在內的研究人員也建立了他們的機器學習預測颶風強度的模型。利用1998年至2008年的氣候預測系統再分析和GOES IR衛星資料庫，分別對大西洋和EPAC地區的機器學習模型進行了訓練。

利用國家環境預測中心檔案數據、全球預報系統數據和2009年至2014年的局地數據，對模型進行快速強化測試。此外，為了比較機器學習模型的結果，研究人員將其與NHC的快速集約化業務模式返回的預報結果進行了對比。

快速強化事件出現的預測技巧

憑藉這些結果，研究人員展示了衛星觀測到的內部風暴結構與降水、液體含量和出流溫度等參數是如何支撐按照當前強度排序後與颶風加強率的之間的簡單關係。

3.結果與結論

結果表明，研究人員所提出的機器學習模型在預測大西洋盆地的快速強化（RI）方面產生了顯著的改進。對於這種強烈的RI事件，國家颶風中心的模型在大西洋表現出較低的性能。然而，所提出的方法將快速加強事件的檢測概率提高了約200%，而代價是只提高了6%的誤報率。同時，這些快速強化事件的整體技巧也提高了138%。

這樣紮實的數據表明，研究人員開發的機器學習模型可以輕鬆超越傳統模型37%，激增降水量的加入貢獻了其中的24%。研究人員總結道: &34;。