När en orkan närmar sig, att ge några extra timmars varsel kan vara skillnaden mellan liv och död. Nu, Penn State-forskare rapporterar att tillämpning av en maskininlärningsteknik på en grupp möjliga stormvägar kan hjälpa meteorologer att ge mer exakta medelfristiga prognoser och utfärda tidiga varningar till samhällen på vägen för dessa potentiellt dödliga stormar.

I en studie, forskarna använde maskininlärning för att ta bort vissa grupper av orkanprognoser från ensembler - uppsättningar av förutsägelser från vädermodeller som är baserade på en rad vädermöjligheter - för att sänka fel och förbättra prognoser fyra till sex dagar framåt. Forskare använder dessa ensemblemodeller eftersom vädret är mycket komplext och försöker förutsäga även en enda händelse skapar enorma mängder data, sa Jenni Evans, professor i meteorologi och atmosfärisk vetenskap och chef för Institute for Computational and Data Sciences.

"Modellerna körs lite annorlunda många, många gånger för att skapa en ensemble av möjliga framtida tillstånd av atmosfären. Det är denna ensemble som ges till prognosmakarna, "sa Evans." Vi tittar på 120 olika prognoser varje gång runt om i världen, sedan fokusera på en individuell tyfon eller orkan och fråga, 'Vad kommer denna storm att göra i framtiden?' Nu, om du ger dessa förutsägelser till en förutsägare bara några timmar innan deras prognos går live, det är en enorm mängd information att bearbeta. Så, istället, Vi har använt avancerad statistik och maskininlärning för att försöka dela upp de 120 prognoserna i mellan fyra och sex kluster där varje kluster representerar en tydlig förutsägelse av stormens utveckling från alla andra kluster. "

Väderbevakare kanske bättre känner igen dessa ensembler som samlingen av krångliga linjer som visar möjliga stormvägar under orkansäsongen.

Även om dessa modeller är bra och blir bättre, de är långt ifrån perfekta, Sa Evans. Varje förutsägelse kan utgöra en liten variation i de många variabler som utgör väder, som energi från havet och molnen, tillade hon. Också, de fokuserar främst på den typ av orkaner - som orkanen Sandy 2012 och orkanen Isaias 2020 - som rör sig upp längs kusten och ut ur tropikerna.

"Dessa stormar är i allmänhet svårare att förutsäga eftersom deras miljö förändras så mycket under deras livstid, "Sa Evans." Om du tittar på de nuvarande modellerna, de är ofullkomliga eftersom du inte kan se varje vattenmolekyl som du skulle behöva och varje bit energi från solen, och vi vet också att hur vi representerar en del av den informationen är ofullkomligt. Men, när du står inför en orkan, Det är viktigt att veta vilken typ av storm du kommer att få - och när du ska få den. "

Som en arborist som skär bort svaga och skadade lemmar så att resten av trädet kan blomstra, forskarna delade in ensemblen i grupper av prognoser, kända som kluster, och "beskärade" dem som förväntades prestera dåligt, enligt Alex Kowaleski, en postdoktor i meteorologi och atmosfärisk vetenskap. Forskarna fann att mycket små kluster tenderade att prestera mycket sämre än andra.

"Det finns ett starkt samband mellan klusterstorlek och klusterfel och det är mest framträdande för de minsta klustren, "sa Kowaleski." De minsta klungorna tenderar att prestera mycket sämre. Det beror inte bara på att det är en mindre ensemblestorlek eftersom, med alla saker i åtanke, om du bara ökar ensemblestorleken bara genom att lägga till fler medlemmar, du får bättre prestanda upp till en viss nivå. Men dessa små kluster var så fattiga att de hade det sämre än en slumpmässigt utvald ensemblemedlem. "

Bland annat resultat, forskarna, som rapporterar sina fynd i ett nyligen utgåva av väder och prognoser, kunde minska fel som kan påverka prognoser genom att ta bort dessa små kluster.

Enligt Kowaleski, medan de flesta vet att orkaner är farliga, de anser ofta inte att stormarnas faror varierar mycket från plats till plats på grund av faktorer som tidvatten och lokal topografi. Dock, klustering kan hjälpa prognosmakare att bättre förutsäga olika scenarier på olika platser längs stormens väg och få mer exakta varningar till människor som kanske inte är medvetna om den förändrade vädersituationen.

"En orkan utgör ett stort område av faror, "sa Kowaleski." Om du är en intressent eller en person som bor vid kusten, det spelar ingen roll var stormens geografiska centrum är och vad den maximala vindhastigheten är. Det du i slutändan bryr dig om är vilka svåra förhållanden du och ditt samhälle kommer att uppleva. "

Studien omfattar över 120 prognoshändelser hämtade från Nordatlanten, östra norra Stilla havet, centrala Stillahavsprognoser, stormar i västra norra Stilla havet, Södra Stilla havet och södra Indiska oceanerna. Forskarna erhöll spårprognoser för tropiska cykloner som inträffade under 2017 till 2018 från THORPEX Interactive Grand Global Ensemble, eller TIGGE. TIGGE-data som används i denna studie tillhandahålls av European Center for Medium-Range Weather Forecasts, National Centers for Environmental Prediction's (NCEP) Global Ensemble Forecast System, Storbritanniens Met Office Global Ensemble Prediction System och Environment Canada Global Ensemble Prediction System.

Beräkningar för denna studie gjordes på Institute for Computational and Data Sciences (ICDS) Advanced CyberInfrastructure (ICDS-ACI).