Прогноз грозовой погоды с помощью аэрозоля

npj Наука о климате и атмосфере, том 6, Номер статьи: 126 (2023) Цитировать эту статью

97 доступов

2 Альтметрика

Подробности о метриках

Точный и своевременный прогноз возникновения молний играет решающую роль в защите благополучия человека и глобальной окружающей среды. Модели на основе машинного обучения ранее использовались для прогнозирования возникновения молний, ​​что дает преимущества в эффективности вычислений. Однако этим моделям мешала ограниченная точность из-за неадекватного представления сложных механизмов, приводящих в движение молнию, и ограниченного набора обучающих данных. Чтобы устранить эти ограничения, мы представляем подход машинного обучения, который объединяет функции аэрозолей для более эффективного выявления механизмов молний, ​​дополненный расширенными спутниковыми наблюдениями с помощью геостационарного картографа молний (GLM). Благодаря обучению хорошо оптимизированной модели LightGBM мы успешно генерируем пространственно непрерывные (0,25° на 0,25°) и ежечасные прогнозы молний над континентальными Соединенными Штатами (CONUS) в течение летнего сезона, превосходя показатели конкурентных базовых показателей. Эффективность модели оценивается с использованием различных показателей, включая точность (94,3%), вероятность обнаружения (POD, 75,0%), коэффициент ложных тревог (FAR, 38,1%), площадь под кривой кривой точности и полноты (PRC-AUC, 0,727). . Помимо расширенного набора данных, улучшенную производительность можно объяснить включением функций аэрозолей, что значительно улучшило модель. Этот важный аспект не был учтен в предыдущих исследованиях. Более того, наша модель раскрывает влияние состава аэрозоля и нагрузки на образование молний, ​​указывая на то, что высокая аэрозольная нагрузка, состоящая из сульфатов и органических соединений, имеет тенденцию усиливать молниевую активность, в то время как черный углерод подавляет ее. Эти результаты согласуются с современными научными знаниями и демонстрируют огромный потенциал для выяснения сложных механизмов, лежащих в основе грозовых явлений, связанных с аэрозолями.

Молния, ведущая причина естественной смертности людей, представляет собой серьезную угрозу современному обществу, приводя к более чем 4000 смертей во всем мире каждый год1,2. Кроме того, это приводит к значительным экономическим потерям: только Соединенным Штатам ежегодно ущерб составляет около 1 миллиарда долларов США. Своевременное и точное прогнозирование возникновения молний играет жизненно важную роль в обеспечении готовности к чрезвычайным ситуациям и принятии защитных мер. Более того, молния служит основным естественным источником оксидов азота, тем самым оказывая значительное влияние на химический состав атмосферы3, подчеркивая важность прогнозирования молний для защиты благополучия человека и глобальной окружающей среды.

Молнии обычно возникают во время формирования гроз, которые обычно характеризуются высоким уровнем влажности и нестабильной атмосферой4,5,6,7,8. Численные модели могут явно моделировать образование молний путем включения параметризованных микрофизических процессов9,10. Однако современные численные модели с трудом могут найти баланс между высокой обнаруживаемостью молний и низким уровнем ложных тревог (FAR), тем самым ограничивая их применимость для прогнозирования молний11,12,13. Кроме того, вычислительные требования к моделированию молний в численных моделях снижают эффективность прогнозирования текущей погоды по молниям, где своевременность имеет решающее значение в таких областях, как авиация и производство. Напротив, модели молний, ​​основанные на наблюдениях и управляемые данными, стали эффективными методами получения точных текущих прогнозов молний, ​​используя наземные выборки с меньшими вычислительными затратами. Например, Мостаджаби и др.14 были пионерами в изучении моделей, основанных на данных, для прогнозирования гроз на будущий час с поразительной точностью, используя исключительно погодные переменные. Более того, присущая моделям машинного обучения способность улавливать нелинейные характеристики обеспечивает высокую производительность даже при простом и практичном вводе функций. На данный момент был исследован ряд моделей машинного обучения для прогнозирования возникновения молний с использованием метеорологических переменных либо с помощью метеостанции, либо с помощью ассимилированной метеорологической модели и метеорологического радара, включая искусственную нейронную сеть и дерево решений15, машину повышения градиента света (LightGBM). 16, машины опорных векторов и случайный лес17, а также рекуррентная нейронная сеть с длинной кратковременной памятью18. Современные модели машинного обучения демонстрируют высокую эффективность; однако они по-прежнему сталкиваются с проблемами, связанными с высоким FAR при высоких уровнях вероятности обнаружения (POD)17. Это ограничение может быть связано с недостаточным набором обучающих данных и неполными данными о признаках, использованными в предыдущих моделях, которые будут подробно объяснены в последующих разделах.