基于概率随机森林的中期严重天气预报的新范式
摘要：使用历史观测到的严重天气和全球集合预测系统v12（GEFSv12）重现数据集（GEFS/R）中的模拟严重天气环境（即特征），结合随机森林（RF）机器学习（ML）模型进行训练和测试，以在4-8天内概率性地预报严重天气。 RF使用了9年的GEFS/R和严重天气报告来建立统计关系。对特征工程进行了简要探讨，以研究围绕观测事件收集特征的替代方法，包括使用空间平均化简化特征和通过时间延迟增加GEFS/R集合大小。经过验证的RF模型使用来自操作性GEFSv12集合的约1.5年实时预报输出进行测试，并与风暴预报中心（SPC）的专家生成的展望进行评估。在4天和5天时，基于RF的预报和SPC的展望相对于气候学具有技能，之后技能逐渐下降。基于RF的预报倾向于低估严重天气事件，但在较低概率阈值下往往是良好校准的。在RF训练时进行空间平均预测因子可以生成具有技能的前一天热力学和动力学环境的预报，而时间延迟则扩大了预报区域，增加了分辨率但降低了客观技能。结果强调了机器学习生成的产品在中期范围内援助SPC预报运营的实用性。
作者：Aaron J. Hill, Russ S. Schumacher, Israel Jirak
论文ID：2208.02383
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2022-12-19