原创 AaronHill et al. EarthAi

研究人员开发了一种机器学习模型CSU-MLP，能够提前四到八天准确预测龙卷风和冰雹等危险天气事件。该团队与国家风暴预测中心合作，测试和完善模型，增强了预报员对预测的信心，并有可能挽救生命。

提前四到八天精确预测龙卷风和冰雹等事件。

随着灾害性天气的临近，大雨、冰雹或龙卷风等潜在危及生命的危害，预警和精确预测至关重要。科罗拉多州立大学的天气研究人员为风暴预报员提供了一个强大的新工具，以提高他们预测的可靠性，并可能在此过程中挽救生命。

近年来，大气科学系教授、科罗拉多州气候学家拉斯·舒马赫（Russ Schumacher）带头创建了一个团队，创建了一个先进的机器学习模型，以增强美国大陆的危险天气预测。该模型最初根据历史过度降雨数据进行训练，被称为CSU-MLP（科罗拉多州立大学机器学习概率），已经发展到可以提前四到八天准确预测龙卷风和冰雹等事件，这是预报员向公众传播信息准备的关键窗口。

在研究科学家亚伦·希尔（Aaron Hill）的带领下，该团队最近在美国气象学会期刊《天气与预报》上发表了他们的中期（四到八天）预报能力。

研究科学家亚伦·希尔（Aaron Hill）向风暴预测中心的预报员展示了CSU-MLP。照片来源：提供/亚伦·希尔

与风暴预报中心预报员合作

研究人员现在与俄克拉荷马州诺曼市国家风暴预测中心的预报员合作，测试该模型并根据实际天气预报员的实际考虑对其进行改进。该工具不是人类预报员宝贵技能的替代品，而是提供了一种不可知的、增强信心的措施，帮助预报员决定是否发布有关潜在天气的公开警告。

“我们的统计模型可以使业务预报员受益，作为指导产品，而不是替代产品，”希尔说。

Israel Jirak，M.S. '02，Ph.D. '05，是风暴预测中心的科学和运营官员，也是该论文的合著者。他称与科罗拉多州立大学团队的合作是“一个非常成功的从研究到运营的项目”。

“他们已经开发了基于概率机器学习的灾害性天气指导，在统计上可靠且熟练，同时对预报员也很有用，”Jirak说。俄克拉荷马州的预报员每天都在使用CSU指导产品，特别是当他们需要发布中期灾害性天气展望时。

科罗拉多州立大学博士生Allie Mazurek与预测员Andrew Moore讨论CSU-MLP。照片来源：提供/艾莉·马祖雷克

九年历史天气数据

该模型在一个非常大的数据集上进行训练，该数据集包含大约九年的详细历史天气观测到美国大陆。这些数据与气象回顾性预报相结合，气象回顾性预报是根据过去天气事件的结果创建的模型“重新预报”。科罗拉多州立大学的研究人员从这些模型预测中提取了环境因素，并将其与过去的灾害性天气事件（如龙卷风和冰雹）联系起来。结果是一个模型，该模型可以实时运行当前的天气事件，并根据当前的环境因素（如温度和风）产生这些类型危害的概率，提前四到八天。

博士生Allie Mazurek正在从事该项目，并试图了解哪些大气数据输入对模型的预测能力最重要。“如果我们能够更好地分解模型如何进行预测，我们希望能够更好地诊断为什么模型的预测在某些天气设置下是好是坏，”她说。

Hill和Mazurek正在努力使该模型不仅更准确，而且对使用它的预测人员来说更容易理解和透明。

对于希尔来说，最令人欣慰的是，多年来改进机器学习工具的工作现在正在公共运营环境中发挥作用。

“我喜欢基础研究。我喜欢了解我们氛围的新事物。但是，拥有一个围绕灾害性天气威胁提供改进的警告和改进信息传递的系统是非常有益的，“希尔说。

参考文献

Hill, A. J., R. S. Schumacher, and I. L. Jirak, 2023: A New Paradigm for Medium-Range Severe Weather Forecasts: Probabilistic Random Forest–Based Predictions. Wea. Forecasting, 38, 251–272, https://doi.org/10.1175/WAF-D-22-0143.1IF: 3.374 Q3 .

中期灾害性天气预报的新范式：基于概率随机森林的预测

数据使用声明：All RF-based forecasts are available upon request from the Colorado State University. SPC outlooks are available via a public archive at https://www.spc.noaa.gov/. The GEFS/R dataset and GEFSv12 forecasts are publicly available from Amazon AWS at https://registry.opendata.aws/noaa-gefs/. A complete dataset of forecasts and verification data associated with this manuscript is available from Dryad at https://doi.org/10.5061/dryad.c2fqz61cv.

论文获取

仅限学习用途，请联系气象学家小编微信，备注：CSU-MLP