Применение машинного обучения может оптимизировать прогноз траектории урагана

Исследователи из Университета Пенсильвании сообщают, что применение техники машинного обучения к группе возможных путей шторма может помочь метеорологам повысить точность среднесрочных прогнозов. Ученые использовали машинное обучение, чтобы исключить определенные группы прогнозов из ансамблей — наборов предсказаний от погодных моделей, основанных на диапазоне возможных погодных условий. Это позволило снизить ошибки и улучшить прогнозы на 4–6 дней вперед.

Это важно, поскольку предоставление нескольких дополнительных часов предупреждения при приближении урагана может быть вопросом жизни и смерти. Модели, хотя и хороши, далеки от совершенства, и особенно сложно предсказывать штормы, подобные урагану "Сэнди" (2012) или "Айзек" (2020), которые движутся вдоль побережья и выходят из тропиков. Их среда сильно меняется на протяжении жизненного цикла. Обработка 120 различных прогнозов для одного шторма представляет для синоптика огромный объем информации.

"Мы использовали передовую статистику и машинное обучение, чтобы разбить эти 120 прогнозов на 4–6 кластеров, где каждый кластер представляет собой отдельный вариант развития шторма", — пояснила профессор метеорологии и атмосферных наук Дженни Эванс. Исследователи обнаружили, что очень маленькие кластеры, как правило, работают гораздо хуже остальных. "Существует сильная связь между размером кластера и его ошибкой, и она наиболее заметна для самых маленьких кластеров", — отметил постдок Алекс Ковалески. Исключение этих малых кластеров позволило снизить ошибки, влияющие на прогнозы.