Tropische cyclonen (TC's) zijn vernederende en krachtige natuurkrachten die enorme gevolgen kunnen hebben voor mensen en menselijke populaties. Meteorologen hebben ernaar gestreefd om TC-voorspellingsvaardigheden te verbeteren, in de hoop levens te redden. In de afgelopen decennia is De voorspellingen van de TC-track over de westelijke noordelijke Stille Oceaan (WNP) zijn aanzienlijk verbeterd. Echter, De voorspellingen van de TC-intensiteit zijn onbeduidend verbeterd, met slechts een levertijd van 3 tot 5 dagen. Daarom, het verbeteren van de vaardigheid in het voorspellen van de TC-intensiteit en het verlengen van de prognosetijd voor leads zijn belangrijke en urgente kwesties.

Om dit kritieke probleem aan te pakken, een onderzoeksgroep onder leiding van Prof. Ruifen Zhan van de afdeling Atmospheric and Ocean Sciences/Institute of Atmospheric Sciences aan de Fudan University, samen met het Shanghai Typhoon Institute of China Meteorological Administration, hebben een nieuwe prognosemethode ontwikkeld die nauwkeurigere voorspellingen van de TC-intensiteit biedt. Het team heeft zojuist hun bevindingen gepubliceerd in Vooruitgang in atmosferische wetenschappen .

"De nieuwe regeling toont ook het potentieel aan voor het voorspellen van snelle intensivering en snelle verzwakking van de TC, en voor het verlengen van de huidige 5-daagse voorspellingstijdslimiet tot 7 dagen, " zei prof. Zhan.

Ontwikkelaars baseerden de nieuwe aanpak op de logistieke groeivergelijking. Ze combineerden stapsgewijze regressie (SWR), wat in wezen een "trial-and-error" -methode is voor variabele testen, en machine learning (LightGBM) methoden met behulp van geobserveerde en heranalysegegevens. Resultaten tonen aan dat het nieuwe schema veel minder significante TC-intensiteitsvoorspellingsfouten oplevert dan de officiële intensiteitsvoorspelling van de China Meteorological Administration, vooral voor TC's die kustregio's van Oost-Azië hebben getroffen. Onderzoekers vergeleken ook nieuwe op LightGBM gebaseerde gegevens met resultaten verkregen met behulp van de SWR-gebaseerde methode. Het op LightGBM gebaseerde schema presteerde consequent beter dan conventionele SWR-gebaseerde processen.

"Toekomstig werk kan nodig zijn om het probleem van onvoldoende steekproeven te overwinnen door de overdrachtsleermethoden te combineren die op dit onderzoek zijn gebaseerd, dat is de sleutel of het nieuwe schema kan worden gebruikt in operationele prognoses." voegde prof. Zhiwei Wu toe, een co-auteur van de studie.