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。
この研究では、数値気象予測 (NWP) データにおける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、機械学習を使用して雷活動を識別する署名ベースのアプローチ (SALAMA) を紹介します。
このモデルは、中央ヨーロッパ上空の対流分解アンサンブル予報と雷観測に基づいて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のみが与えられると、SALAMA は信頼性の高い校正方法で雷雨の発生確率を推測します。
最大 11 時間のリードタイムについては、NWP の反射率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した。
雷観測と NWP データを関連付ける時空間基準を変えることにより、雷雨を巧みに予測するための時間スケールが、予測の空間スケールに応じて直線的に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 a Signature-based Approach of identifying Lightning Activity using MAchine learning (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 NWP reflectivity. 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