基于机器学习的热带气旋快速增强预报

极深对流云是热带气旋(tropical cyclone,TC)快速增强的前兆,为预报西北太平洋TC快速增强,该研究开发了一种使用极深对流云相关数据的机器学习模型。该机器学习模型整合了飓风强度统计预报快速增强指数(Statistical Hurricane Intensity Prediction Scheme-Rapid Intensification Index,SHIPS-RII)数据与TC中心300 km半径范围内极深对流云的覆盖面积。基于2011—2019年的数据,对24 h内TC增强超过30 kn和35 kn的快速增强事件分别进行了预报,相较于仅使用SHIPS-RII数据的模型,该机器学习模型在皮尔斯技能得分(PSS)方面分别提升了5.66%和9.58%,在检测概率指标(POD)方面分别提升了8.41%和8.55%。用该模型对典型台风杜鹃(Dujuan,2015)进行预报,其结果证明整合了极深对流云覆盖面积的模型在快速增强预报中具有优势,主要体现在TC初始强度较强时发生的快速增强预报。该模型对于强台风的预报具有较大的应用潜力。

基于卫星资料进行热带气旋强度客观估算

利用日本MTSAT(multi-functional transport satellite)红外亮温资料,提取热带气旋云团中云顶较高、对流较旺盛的深对流信息,根据提取的对流核数量、对流核距热带气旋中心距离、对流核亮温极值等信息表征热带气旋强弱,初步建立了热带气旋强度估测模型;并根据该估算模型的误差分布对强度(用最大风速表示)大于40m·s^(-1)和小于18m·s^(-1)的样本结果进行了线性修正,修正后的结果与中国气象局《热带气旋年鉴》热带气旋最佳路径资料比较得到非独立样本和独立样本的强度平均绝对误差分别为5.5m·s^(-1)和5.9m·s^(-1),均方根误差分别为6.9m·s^(-1)和7.7m·s^(-1);对于热带低压、强台风及以上的估计平均绝对误差分别降至4.9,4.7m·s^(-1),准确度较好。试验表明:利用热带气旋云团中的对流核数量、分布、冷暖与其强度建立的统计关系模型是可行的,该算法的估算精度与Dvorak方法、AMSU(advanced microwave sounding unit)定强算法相当。

对流参数化影响热带气旋的模拟研究

利用GRAPES-TCM模式对2008年登陆我国的9个热带气旋(TC)进行了44次试验,分析了积云对流参数化方案Kain-Fritsch(KF)方案与Betts-Miller-Janjic(BMJ)方案对TC预报的影响。结果表明,KF方案预报TC的总体效果要好于BMJ方案,BMJ方案的优势主要体现在对强TC强度的预报。不同的对流参数化方案对TC路径的影响没有明显差异,但对TC强度和降水的影响与TC初始强度有关;不同的对流参数化方案预报的TC强度和降水强度各不相同,但不同方案预报TC强度的差异与TC降水强度的差异基本一致。采用不同的对流参数化方案预报TC强度和降水随着TC初始强度的不同而表现出不同的特点。