本研究旨在通過將機器學習應用於數值天氣預報的垂直大氣剖面,來改善雷暴預報。我們開發了一個結合物理考量的模型SALAMA 1D,與使用單一層面預報因子的傳統方法相比,其預報準確性更高且計算效率更好。此外,該模型還提供了如何識別雷暴發生的洞見,促進了可解釋性和可信度。我們的研究展示了如何提高機器學習系統在嚴重天氣預報中的可靠性,這對於支持公共安全和經濟決策至關重要。
SALAMA 1D的架構融入了物理考量,包括:
與使用單一層面預報因子的基線模型SALAMA 0D相比,SALAMA 1D在各種指標和預報時效上都表現更優。這表明,雖然雷暴發生相關的信息在垂直剖面中被複雜編碼,但機器學習仍能成功提取,從而提高在數值天氣預報中識別雷暴發生的能力。
敏感性分析顯示,SALAMA 1D主要關注重建環境溫度梯度,以推斷正浮力和對流抑制的水平,同時也利用平流層附近的冰粒子含量等信息。該模型更多依賴於與對流啟動相關的中尺度結構,如溫度梯度和低層水汽,而較少關注代表正在進行對流的細粒度結構。我們推測這是因為較大尺度的模式更可靠地與雷電觀測相匹配,而細粒度模式可能由於對流許可數值天氣預報難以準確預測對流的時空位置而不太一致。
Na inny język
z treści źródłowej
arxiv.org
Głębsze pytania