|
量化气候对风暴活动的影响：基于机器学习的方法 Quantifying the Influence of Climate on Storm Activity Using Machine Learning Or Hadas, Yohai Kaspi
作者与单位信息
本文的作者是Or Hadas和Yohai Kaspi，他们均来自以色列魏茨曼科学研究所地球与行星科学系。
研究背景
温带风暴在中纬度地区的天气形成中扮演着关键角色，其变化既受到缓慢演变的气候影响，也受到快速变化的天气条件的影响。尽管已有大量研究探讨了这两种因素对风暴活动的影响，但它们的相对重要性仍然不明确。本研究利用84年的ERA-5再分析数据和数千条风暴轨迹，通过机器学习方法量化了气候如何塑造风暴活动。
研究意义
本研究的意义在于，它提供了一个量化框架，用于评估气候强迫（CF）和天气变化（SV）对风暴活动的相对贡献。研究结果表明，尽管气候对风暴活动的气候学特征有显著影响，但单个风暴的特性（如最大强度）主要由天气变化主导。这一发现对于理解风暴活动的气候学特征以及将特定天气事件归因于气候变化具有重要意义。
方法
数据来源
研究使用了欧洲中期天气预报中心（ECMWF）提供的ERA-5再分析数据，时间跨度为1940年至2023年。ERA-5数据提供了31公里水平分辨率和137个垂直层次的大气变量估计。研究中使用了3小时间隔的海平面气压（SLP）数据来追踪气旋和反气旋，同时使用300、500和850百帕压力层的温度（T）、比湿（Q）、东西风（U）和南北风（V）数据来估计大气状态及其气候学特征。
风暴追踪
研究采用了特征点追踪算法，从SLP数据中识别和表征温带气旋和反气旋。为了减少噪声，数据被平滑到T63分辨率，并移除了背景（定义为0-4波数）以隔离天气尺度动态。只有SLP异常深度超过8百帕的系统被追踪，以专注于重大事件。识别后，系统被追踪，并记录其位置和强度，如果它们持续超过48小时并向西移动超过500公里。此外，达到最大强度时位于超过1公里地形上的系统被过滤掉。
气候学模型
研究将平均流与气候学风暴活动之间的联系视为一个图像到图像的回归问题，使用卷积神经网络（CNN）解决，因为CNN能够高效地学习结构化数据中的空间层次和模式。模型输入是中纬度地区（南北半球分别为20°-80°）的U、V、Q和T的三维分布，其中横线表示90天移动平均值（每个方向45天）。输出是垂直积分的涡动动能（EKE）分布。研究将数据分为训练集、验证集和测试集，比例为0.5-0.2-0.3。
单风暴模型
研究构建了一个模型，基于平均流预测单个风暴的生长结果。模型输入是风暴生成时周围的U、V、Q和T的三维合成，输出是风暴生长的结果，包括最大强度、生长时间和风暴从生成到最大强度的经向和纬向传播速率。研究追踪了1940年至2023年之间的所有气旋和反气旋，得到大约10万个气旋和5万个反气旋。模型由多个卷积层组成，每个卷积层后跟最大池化以降低维度，从而执行特征提取。得到的特征随后通过两个密集层以回归风暴属性。为了评估模型的稳健性，通过重新排列训练-验证-测试分割并训练/测试模型50次进行交叉验证。此外，研究还将CNN与密集神经网络（无特征提取）和随机森林进行了比较。
研究结果
气候学风暴活动的相对重要性
研究结果表明，气候学风暴活动在足够长的时间尺度上平均后，与天气变化（SV）的独立性增强。因此，如果平均大气状态包含了大部分气候强迫（CF）的信息，那么它应该能够解释气候学风暴活动的大部分变异性。研究通过评估气候学模型仅使用平均流场预测EKE图的能力来测试这一点。模型成功地再现了主要特征，如北半球大西洋和太平洋风暴路径上的EKE“热点”，以及许多较小尺度的季节和年际变化。模型在大多数地区的决定系数（R²）值超过90%，平均解释了约93%的总EKE变异性。这些结果证实了平均流包含了确定风暴活动气候学特征所需的核心CF信息。
单个风暴生长的相对重要性
尽管平均流在很大程度上决定了风暴活动的气候学特征，但单个风暴也受到天气变化（SV）的影响。为了量化平均流的相对重要性，研究构建了一个模型，基于平均流预测风暴生长。由于平均流封装了风暴气候学中大部分相关的CF信息，因此它应该为单个风暴动态提供有效的CF影响表示。然而，由于风暴动态也依赖于SV，因此仅依赖于平均流的模型无法区分这些不同的结果。相反，使用均方误差损失，它学习了观测到的结果分布的最佳拟合预测，即该分布的均值。如果X强烈驱动风暴生长变异性，每个Xi将导致相对狭窄的可能结果分布，与其他Xj=i的结果分布分开，从而降低模型误差。相反，如果SV占主导地位，每个X与广泛的可能结果分布相关联，这降低了仅依赖于平均流的模型的预测能力，导致更高的模型误差。
气候变化对单个风暴生长的影响
由于人为强迫，过去几十年的平均气候已经发生了变化。本研究通过比较第3.2节中发现的可预测性与修改后的测试集的可预测性来隔离单个风暴变异性中可归因于气候变化的部分。修改后的测试集通过移除正确的趋势并添加随机年的趋势来创建，从而保留了季节和年际变异性，同时消除了实际的长期信号。最后，将风暴模型在修改后的数据集上的性能与原始测试集上的性能进行比较，性能下降归因于气候变化趋势。研究结果表明，平均流中的气候趋势解释了约0.10%的气旋强度变异性。因此，准确区分如此微弱的信号对于归因工作来说是一个巨大的挑战，特别是考虑到第3.2节中发现的天气变化的主导地位。
结论与不足
结论
本研究通过机器学习方法量化了气候对风暴活动的影响，发现气候对风暴活动的气候学特征有显著影响，但单个风暴的特性主要由天气变化主导。此外，研究还发现，气候变化对单个风暴强度的影响非常微弱，而对与风暴相关的温度异常的影响则更为显著。这些发现表明，将特定中纬度天气事件归因于气候变化的努力应集中在与长期气候趋势更直接相关的因素上。
不足
尽管本研究在量化气候对风暴活动的影响方面取得了重要进展，但仍存在一些局限性。首先，研究仅使用了ERA-5再分析数据，这可能限制了结果的普遍性。其次，研究的模型仅考虑了平均流对风暴活动的影响，而未考虑其他可能的气候变量。此外，研究的结论主要基于统计分析，可能需要进一步的物理机制研究来支持。
讨论
本研究的结果对于理解风暴活动的气候学特征以及将特定天气事件归因于气候变化具有重要意义。研究发现，尽管气候对风暴活动的气候学特征有显著影响，但单个风暴的特性主要由天气变化主导。这一发现对于理解风暴活动的气候学特征以及将特定天气事件归因于气候变化具有重要意义。此外，研究还发现，气候变化对单个风暴强度的影响非常微弱，而对与风暴相关的温度异常的影响则更为显著。这些发现表明，将特定中纬度天气事件归因于气候变化的努力应集中在与长期气候趋势更直接相关的因素上。
未来工作
未来的研究可以进一步探索其他气候变量对风暴活动的影响，以及如何将这些变量纳入模型中。此外，未来的研究可以进一步探索气候变化对风暴活动的长期影响，以及如何将这些影响纳入气候模型中。最后，未来的研究可以进一步探索如何将机器学习方法与其他方法结合，以提高对风暴活动的预测能力。
图略，详见 https://arxiv.org/pdf/2504.20521
以上是对文章的详细解读，如有不当之处欢迎批评指出！也可以私信小编（Earth_Ai）。
来源：“EarthAi”公众号
https://mp.weixin.qq.com/s/E4292L2QaQcUle94KvNQxg | 
发表于 2025-6-18 16:21:23