[論文レビュー] Tropical cyclone intensity estimations over the Indian ocean using Machine Learning

Koushik Biswas, Sandeep Kumar+1 more|arXiv (Cornell University)|Jul 7, 2021

Tropical and Extratropical Cyclones Research被引用数 5

ひとこと要約

本研究では、中心気圧、気圧差、位置などのサイクロン属性を活用して、北インド洋における熱帯低気圧の強度を推定するための機械学習フレームワークを提案する。サイクロン等級分類では88%の正確性を達成し、MSWS予測では2.3のRMSEを記録。高強度カテゴリでは98.84%の平均正確性というほぼ完璧な性能を示し、VayuおよびFaniの実際のサイクロンを用いた検証でR² > 0.99を達成した。

ABSTRACT

Tropical cyclones are one of the most powerful and destructive natural phenomena on earth. Tropical storms and heavy rains can cause floods, which lead to human lives and economic loss. Devastating winds accompanying cyclones heavily affect not only the coastal regions, even distant areas. Our study focuses on the intensity estimation, particularly cyclone grade and maximum sustained surface wind speed (MSWS) of a tropical cyclone over the North Indian Ocean. We use various machine learning algorithms to estimate cyclone grade and MSWS. We have used the basin of origin, date, time, latitude, longitude, estimated central pressure, and pressure drop as attributes of our models. We use multi-class classification models for the categorical outcome variable, cyclone grade, and regression models for MSWS as it is a continuous variable. Using the best track data of 28 years over the North Indian Ocean, we estimate grade with an accuracy of 88% and MSWS with a root mean square error (RMSE) of 2.3. For higher grade categories (5-7), accuracy improves to an average of 98.84%. We tested our model with two recent tropical cyclones in the North Indian Ocean, Vayu and Fani. For grade, we obtained an accuracy of 93.22% and 95.23% respectively, while for MSWS, we obtained RMSE of 2.2 and 3.4 and $R^2$ of 0.99 and 0.99, respectively.

研究の動機と目的

• 北インド洋におけるリアルタイムの熱帯低気圧強度推定を改善すること。ここでは、専用の機器を必要とする従来手法が課題となっている。
• 最大持続表面風速（MSWS）およびサイクロン等級の正確でタイムリーな予測を、利用可能な気象パラメータを用いて実現することの挑戦に応えること。
• 多様な機械学習アルゴリズムが、高い正確性と低い誤差を実現するサイクロン強度推定に与える性能を評価すること。
• 最近の高影響サイクロン（VayuおよびFani）を用いてモデルを検証し、実世界への適用可能性を示すこと。

提案手法

• 本研究では、インド気象研究所（IMD）の28年間分のベストトラックデータ（1990–2017年）を用い、完全な特徴量を持つ4,021件のインスタンスを選択した。
• 主な入力特徴量には、発生域、日時、緯度、経度、推定中心気圧（ECP）、気圧差（PD）、サイクロン等級が含まれる。
• MSWS予測のため、RMSEおよびR²を評価指標として用い、10分割交差検証を実施した回帰モデル（XGBoost、GBM、SVMなど）を訓練した。
• サイクロン等級分類のため、正確性を用いて評価したマルチクラス分類モデル（XGBoost、決定木、SVM、ナイーブベイズ）を検証した。
• 交差検証の結果に基づき、回帰ではXGBoost、分類ではエントロピーを用いた深さ4の決定木が最良の性能を示したため、これらを採用した。
• リアルタイムの予測性能を評価するために、2つの最近のサイクロン（VayuおよびFani）を用いてモデルをテストした。

実験結果

リサーチクエスチョン

• RQ1 標準的な気象パラメータのみを用いて、機械学習モデルは北インド洋における最大持続表面風速（MSWS）を正確に推定できるか？
• RQ2 気圧や位置などのサイクロン属性に基づいて、機械学習はサイクロン強度等級（1から7）をどれほど正確に分類できるか？
• RQ3 VayuおよびFaniのような最近の高影響サイクロンにおいて、モデルは高い性能を維持するか。これは、実世界での信頼性を示唆するか？
• RQ4 XGBoost、GBM、決定木の中では、どの機械学習アルゴリズムがサイクロン強度推定において正確性と一般化性能のバランスを最も良く果たすか？
• RQ5 特に災害準備にとって最も重要な高強度カテゴリ（等級5～7）において、モデルの性能は顕著に優れているか？

主な発見

• XGBoostは、MSWS予測において2.3の最低RMSEと0.99の最高R²を達成し、他の回帰モデルを上回った。
• エントロピーを用い、深さ4の決定木は、サイクロン等級予測で87.91%の最高正確性を達成した。
• 高強度カテゴリ（等級5～7）では平均正確性が98.84%に達し、深刻な低気圧の嵐（SCS）では100%の正確性を示した。
• サイクロンVayuでは、MSWS予測のRMSEが2.2、R²が0.99であり、等級予測の正確性は93.22%であった。
• サイクロンFaniでは、MSWS予測のRMSEが3.4、R²が0.99であり、等級予測の正確性は95.23%であった。
• モデルは、未観測で最近のサイクロンに対しても高い一般化性能を示し、リアルタイム適用の妥当性が裏付けられた。