A machine-learning approach to thunderstorm forecasting through post-processing of simulation data

要約

雷雨は社会や経済に大きな危険をもたらすため、信頼できる雷雨予報が必要です。
この作業では、数値天気予報 (NWP) データで雷雨の発生を識別するためのフィードフォワード ニューラル ネットワーク モデルである SALAMA を紹介します。
このモデルは、中央ヨーロッパの対流分解アンサンブル予測と雷観測でトレーニングされています。
NWP データから抽出され、雷雨の発生に関連する一連のピクセル単位の入力パラメーターのみが与えられると、SALAMA は確実に調整された方法で雷雨の発生確率を推測します。
リード タイムが 11 時間までの場合、対流利用可能位置エネルギーのみに基づく分類よりも優れた予測スキルが見つかります。
雷観測を NWP データに関連付ける時空間基準を変化させて、巧みな雷雨予測の時間スケールが予測の空間スケールに比例して増加することを示します。

要約(オリジナル)

Thunderstorms pose a major hazard to society and economy, which calls for reliable thunderstorm forecasts. In this work, we introduce SALAMA, a feedforward neural network model for identifying thunderstorm occurrence in numerical weather prediction (NWP) data. The model is trained on convection-resolving ensemble forecasts over Central Europe and lightning observations. Given only a set of pixel-wise input parameters that are extracted from NWP data and related to thunderstorm development, SALAMA infers the probability of thunderstorm occurrence in a reliably calibrated manner. For lead times up to eleven hours, we find a forecast skill superior to classification based only on convective available potential energy. Varying the spatiotemporal criteria by which we associate lightning observations with NWP data, we show that the time scale for skillful thunderstorm predictions increases linearly with the spatial scale of the forecast.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google