Varje vår, forskare publicerar sina prognostiserade prognoser för den kommande orkansäsongen - hur många stormar kan bildas, och hur allvarliga de kan vara. Men tänk om du kunde skapa dessa prognoser upp till ett och ett halvt år i förväg? En ny modell från North Carolina State University innehåller maskininlärning för att skapa orkanprognoser på lång räckvidd med liknande noggrannhet som de som används för närvarande.

De flesta försäsongsprognoser för orkaner görs med hjälp av statistiska modeller som använder optimerad data från havsnivåtrycket, havsyttemperaturer och andra historiska klimatdata. Dock, dessa förutsägelser är gjorda från tidsseriedata – vilket betyder att de använder klimatavläsningar från en plats eller medelvärde över ett visst område och tidsperiod.

"Tidsseriedata är endimensionell - den innehåller ingen rumslig information, förändras bara över tid, " säger Lian Xie, professor i marin, jord- och atmosfärvetenskaper vid NC State och motsvarande författare till en artikel som beskriver arbetet.

"Vi tittade på varje prediktortidsserie på en plats i genomsnitt över en viss tidsperiod varje år:till exempel, havsytemperaturavvikelser i genomsnitt över vissa delar av det tropiska Stilla havet under februari, "Säger Xie." Däremot, den nya modellen tittar på data hämtade från många specifika platser, och för varje plats, den använder två datapunkter per månad – vilket lägger till en viktig rumslig komponent till prognosen."

"Orkansystem är skandalöst komplexa, säger medförfattaren Hamid Krim, professor i el- och datateknik vid NC State. "Vi vet att det som händer på avlägsna platser kommer och påverkar andra platser genom vädersystemens anslutningsmöjligheter. Så en rums- och tidsmodell ger oss en mycket mer exakt bild av dynamiken i ett orkansystem."

Den nya modellen innehåller historiska data från avlägsna meteorologiska händelser som El Niño och La Niña, samt data från flera platser vid flera tidpunkter. För att träna modellen, forskarna använde halvmånatliga data från 1951 till 2010.

Forskarna vill använda den nya modellen för att förutsäga ackumulerad cyklonenergi, eller ACE, för att förutsäga hur aktiv en kommande säsong kan bli.

"ACE är ett annat sätt att mäta hur aktiv en orkansäsong är, utöver att bara försöka ge ett antal stormar, " säger Xie. "Den beräknar mängden kinetisk energi varje orkan har från början till slut under hela säsongen. Summan av all den energin är ACE.

"Medan ACE vanligtvis är starkt korrelerad med antalet orkaner - till exempel, en aktiv säsong kommer att ha ett högt ACE—det kan finnas skillnader, " säger Xie. "En säsong med en långvarig stark orkan och några mindre kan ha samma ACE som en säsong med ett större antal medelstora orkaner. Så antalet kan skilja sig medan ACE är detsamma, men den övergripande bestämningen av en säsong som aktiv eller inaktiv kommer vanligtvis att överensstämma med dem som bestäms av orkanräkningar."

Forskarna validerade sin nya modell i tidsfönster om tre, sex, nio, 12 och 18 månader mot sju års orkandata. För alla prognoser visade modellen en noggrannhet som var jämförbar med den som uppnås av modeller som för närvarande används. För den kommande säsongen 2021, de planerar att använda en kombination av både traditionella prognoser och den nya modellen, fokuserar mer på ACE än bara antalet stormar.

Xie säger att de första resultaten för de längre siktprognoserna ser lovande ut.

"Det finns naturligtvis fel med modellen, men dess noggrannhet är jämförbar med andra prognoser, med fördelen att få en längre ledtid, " säger Xie. "Detta är egentligen bara utgångspunkten. Vi hoppas att vi kan fortsätta att förbättra det över tid."

"Jag vill tillägga att utmaningen är att först djupare förstå den komplexa långsiktiga interaktionen mellan de olika faktorerna, och sedan matematiskt fånga dem, säger Krim.

Verket dyker upp i Atmosfär .