[论文解读] Predicting basin and landfalling hurricane numbers from sea surface temperature

Stephen Jewson, Roman Binter+3 more|ArXiv.org|Jan 15, 2007

Tropical and Extratropical Cyclones Research参考文献 19被引用 5

一句话总结

本文开发了一个三阶段统计模型，利用主要发展区（MDR）海表温度（SST）作为预测因子，预测大西洋盆地及美国本土登陆飓风数量。该模型结合了Laepple等人（2007年）的SST预测结果与两种将SST与飓风数量关联的统计模型——线性泊松模型与指数泊松模型，得出5年期预测结果为每年2.04至2.52次登陆飓风，不确定性主要由SST预测的变异性驱动。

ABSTRACT

We are building a hurricane number prediction scheme based on first predicting main development region sea surface temperature (SST), then predicting the number of hurricanes in the Atlantic basin given the SST prediction, and finally predicting the number of US landfalling hurricanes based on the prediction of the number of basin hurricanes. We have described a number of SST prediction methods in previous work. We now investigate the empirical relationship between SST and basin hurricane numbers, and put this together with the SST predictions to make predictions of both basin and landfalling hurricane numbers.

研究动机与目标

• 开发一种实用的三阶段预测系统，利用海表温度（SST）作为预测因子，预测大西洋盆地及美国本土登陆飓风数量。
• 量化主要发展区（MDR）SST与大西洋盆地实际飓风数量之间的经验关系。
• 通过结合SST预测与飓风频率的统计模型，减少长期飓风预测的不确定性。
• 评估多种SST预测模型与SST至飓风数量转换模型，以评估预测的稳健性与预测范围。
• 通过结合盆地飓风预测与历史登陆概率，提供登陆飓风的概率预测。

提出的方法

• 使用HadISST数据计算10°–20°N、15°–70°W区域夏季（7–9月）MDR SST指数。
• 应用两种统计模型将SST与飓风数量关联：线性泊松模型与指数泊松模型，均基于1900–2005年和1950–2005年数据拟合。
• 利用Laepple等人（2007年）提供的三种不同SST预测结果（从恒定SST到快速上升SST）驱动飓风数量预测。
• 通过历史登陆概率将盆地飓风预测转换为登陆飓风数量：所有飓风（1–5级）为0.254，强飓风（3–5级）为0.240。
• 采用Jewson（2007年）的解析关系，将SST预测的不确定性传播至最终登陆飓风预测，估算均值、方差与标准误。
• 通过组合三种SST预测与两种SST至飓风数量模型，生成六种不同的预测情景，以评估预测范围与敏感性。

实验结果

研究问题

• RQ1 主要发展区（MDR）海表温度（SST）与大西洋盆地飓风数量之间存在何种统计关系？
• RQ2 用于将SST转换为飓风数量的统计模型（线性与指数泊松模型）对长期预测有何影响？
• RQ3 SST预测中的不确定性在多大程度上传播至登陆飓风数量预测的不确定性？
• RQ4 不同SST预测情景与SST至飓风数量模型组合下的登陆飓风预测数量有何差异？
• RQ5 基于SST的三阶段预测系统能否产生与历史趋势一致且与时间序列方法相一致的预测结果？

主要发现

• 指数泊松模型在拟合历史数据方面始终优于线性模型，尽管两者在统计上均合理。
• 5年期美国登陆飓风（1–5级）预测数量在2.04至2.52次/年之间，具体取决于SST预测与转换模型的选择。
• 最高预测值（2.52次/年）来自快速上升SST预测与指数泊松模型的组合，表明对SST趋势具有高度敏感性。
• 最低预测值（2.04次/年）来自恒定SST预测与线性泊松模型的组合，表明其构成保守基线。
• SST预测的不确定性是最终登陆飓风预测不确定性最主要的来源，凸显了提升SST预测能力的必要性。
• 该模型系统产生的预测结果与基于时间序列的方法（如Binter等人，2006年）总体一致，但在乐观SST情景下预测值更高。