[论文解读] A Computational Framework for Modelling and Analyzing Ice Storms

Ranjini Swaminathan, Mohan Sridharan+1 more|arXiv (Cornell University)|May 13, 2018

Meteorological Phenomena and Simulations参考文献 17被引用 9

一句话总结

本文提出了一种基于机器学习的计算框架，利用再分析数据和历史风暴数据对冰风暴进行建模，通过整合领域知识提升检测与预测的准确性。该框架通过偏差校正技术处理全球气候模型（GCM）数据，实现可靠的未来气候预测，在风暴检测、聚类分析以及知识增强建模方面具有关键贡献，有助于提升气候韧性。

ABSTRACT

Ice storms are extreme weather events that can have devastating implications for the sustainability of natural ecosystems as well as man made infrastructure. Ice storms are caused by a complex mix of atmospheric conditions and are among the least understood of severe weather events. Our ability to model ice storms and characterize storm features will go a long way towards both enabling support systems that offset storm impacts and increasing our understanding of ice storms. In this paper, we present a holistic computational framework to answer key questions of interest about ice storms. We model ice storms as a function of relevant surface and atmospheric variables. We learn these models by adapting and applying supervised and unsupervised machine learning algorithms on data with missing or incorrect labels. We also include a knowledge representation module that reasons with domain knowledge to revise the output of the learned models. Our models are trained using reanalysis data and historical records of storm events. We evaluate these models on reanalyis data as well as Global Climate Model (GCM) data for historical and future climate change scenarios. Furthermore, we discuss the use of appropriate bias correction approaches to run such modeling frameworks with GCM data.

研究动机与目标

• 解决缺乏准确、全面的冰风暴数据以及在气候变化背景下难以模拟其未来行为的问题。
• 开发一个整体性框架，利用历史数据和气候模型数据检测、表征并预测冰风暴的普遍性、强度及其未来变化。
• 通过知识表示整合领域专业知识，优化机器学习输出，减少风暴检测中的误报。
• 通过偏差校正技术处理全球气候模型（GCM）数据，实现可靠未来预测，支持气候韧性规划。
• 将该框架推广至美国东北部以外的其他极端天气事件和地理区域。

提出的方法

• 在再分析数据（地表和大气变量）及历史风暴记录上训练有监督和无监督的机器学习模型，以检测冰风暴事件。
• 应用层次聚类方法，将模拟的GCM风暴特征与历史风暴特征进行匹配，以实现强度表征。
• 实施知识表示模块，应用领域规则（如低压系统存在）以优化模型输出并解释误报。
• 采用偏差校正技术，使基于再分析数据的模型与GCM模拟结果对齐，确保未来气候情景预测的兼容性。
• 利用网格化再分析数据和GCM输出，在历史和未来气候情景下训练并评估模型。
• 通过迭代方式整合领域知识，提升模型的鲁棒性与可解释性，尤其针对边界情况和模糊的风暴事件。

实验结果

研究问题

• RQ1 如何利用不完整且嘈杂的历史风暴记录与大气再分析数据，训练机器学习模型以检测冰风暴？
• RQ2 聚类算法在多大程度上能通过匹配历史与模拟风暴的特征，客观表征冰风暴强度？
• RQ3 如何系统性地整合领域知识（如低压系统存在）以提升风暴检测模型的可靠性？
• RQ4 哪些偏差校正策略在将基于再分析数据训练的模型适配至粗分辨率GCM预测时最为有效？
• RQ5 所提出的框架能否推广至美国东北部以外的其他极端天气事件和地理区域？

主要发现

• 风暴检测模型成功利用大气变量识别出冰风暴日，部分误报可通过未显式建模的低压系统存在加以解释。
• 领域知识规则（如低压系统与风暴的关联）有助于解释并减少误报，提升模型可解释性与准确性。
• 层次聚类能有效根据与历史风暴特征的相似性对模拟的GCM风暴进行分组，实现客观的强度表征。
• 在对GCM数据应用偏差校正后，该框架展示了在预测未来气候情景下冰风暴行为的可行性。
• 知识表示模块作为后处理优化工具表现有效，提升了模型置信度，并支持专家见解的整合。
• 该框架在未显式建模的情况下捕捉到低压系统等关键风暴特征，表明其在复杂大气数据中具备强大的特征学习能力。