美国宇航局使用机器学习AI预测飓风强度

在路易斯安那州的岸上岸上短暂，8月27日飓风劳拉 - 图为登陆登陆 - 经历了一种叫做快速增强的过程，风速在24小时内跳35英里/小时（56 kPH）或更高。

美国宇航局的研究可以帮助改善飓风是否会突然加剧的预测，这可能会让人们在路上更多的时间准备。

2015年10月，东北太平洋的飓风帕特里夏在24小时内从一个第1类风暴中吹入了5类怪物，其风从86英里/小时（138千克）到207英里/小时（333 kPH）。帕特里夏不是第一个或最后一次飓风在如此短的时间里突然加强 - 但这是一个壮观的展示了几十年的气象预测的现象。

准确预测飓风是否会经历快速增强 - 如果风速在24小时内以35英里/小时（56 kPH）增加35英里/小时 - 非常困难。但是，由科学家们在南加利福尼亚州北美航空航天局的喷气机推进实验室领导的研究人员使用了机器学习来开发实验计算机模型，这承诺大大提高检测快速增强事件的准确性。

“由于对人和财产的危害潜力，”这是一个重要的预测，“JPL大气科学家Hui Su说。她和她的同事包括国家海洋和大气管理局国家飓风中心的研究员，描述了他们在8月25日在GeophySalical Chinese字母中发表的一篇文章中的预测模型。

盯着内在的工作

飓风预测有两部分：其轨道及其强度。科学家和预测人员已经非常善于预测飓风将使登陆的地方。但预测其力量仍然会给他们带来麻烦，因为它取决于周围环境以及这些风暴内部发生的事情。属性如下雨的艰难程度或空气垂直移动的速度有多迅速是挑战，以衡量飓风内部。

难以确定哪些内部特征导致这些风暴的快速增强。但在审视多年的卫星数据之后，苏和她的同事发现，飓风的实力如何在接下来的24小时内改变一个好的指标是风暴内核内的降雨率 - 62英里范围内的区域（100-千米）的眼睛的半径，或眼睛周围的雷暴密集的墙壁。在飓风内下雨的难度越高，风暴的可能性就越有可能加剧。该团队从热带降雨测量使命，美国宇航局与日本航空航天勘探机构之间的联合卫星项目收集了这一降雨数据，从1997年至2015年运营。

此外，研究人员发现，风暴强度的变化依赖于飓风中云的冰水含量 - 从美国国家航空航天局的Cloudsat观察中收集的测量。流失在飓风顶部的空气的温度，称为流出温度，也是因子的变化。SU和她的同事在Aura卫星和其他数据集中获得了NASA的微波肢体声音（MLS）的流出温度测量。

更多的力量学习

该团队为国家飓风中心已经在其运营模型中使用了降雨率，冰水含量和流出温度预测因子，以通过机器学习提出自己的预测。飓风内部有很多变量，它们以这种复杂的方式互动，许多当前的计算机模型难以准确地描绘这些风暴的内部工作。然而，机器学习更好地能够分析这些复杂的内部动态，并确定哪些属性可以突然跳跃飓风强度。研究人员使用IBM Watson Studio的计算算法能力来开发他们的机器学习模型。

然后，他们从1998年到2008年的暴风雨训练了他们的模型，并在2009年到2014年使用了不同的风暴测试。SU和她的同事还将其模型与2009年至2014年同样风暴的国家飓风中心的运营预测模型进行了比较。

对于飓风，风随在24小时内增加至少35英里/小时）的飓风，研究人员模型与当前的运营预测模型相比，检测快速增强事件的概率具有60％的概率。但对于那些带有至少40英里/小时（64公里）在24小时内跳跃的那些飓风，新车型在检测这些事件时表现优于200％的操作。

苏和她的同事包括在国家飓风中心的合作者，正在测试他们在当前飓风季节的风暴模型，以衡量其性能。在未来，他们计划通过卫星数据筛选，找到额外的飓风特征，可以改善其机器学习模型。预测因子，如在飓风的一部分与另一部分上下雨，这可能会让科学家们更好地看看风暴的强度如何随着时间的推移而变化。