[论文解读] 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 5

一句话总结

本研究提出一种基于XGBoost和决策树模型的机器学习框架，用于估算北印度洋热带气旋的强度，利用中心气压、气压差和位置等气旋属性。在气旋等级分类中达到88%的准确率，在最大持续风速（MSWS）预测中RMSE为2.3，对高强度等级的性能近乎完美（平均准确率达98.84%），并在真实气旋Vayu和Fani上得到验证，R² > 0.99。

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.

研究动机与目标

• 改进北印度洋区域实时热带气旋强度估算，该区域传统方法需依赖专业设备。
• 解决利用可获取的气象参数准确及时预测最大持续风速（MSWS）和气旋等级的挑战。
• 评估多种机器学习算法在高精度、低误差下估算气旋强度的性能。
• 通过近期高影响气旋（Vayu和Fani）验证模型，以证明其在实际中的适用性。

提出的方法

• 本研究使用印度气象部（IMD）提供的28年最佳路径数据集（1990–2017年），选取4,021个特征完整的实例。
• 关键输入特征包括起源盆地、日期/时间、纬度、经度、估计中心气压（ECP）、气压差（PD）和气旋等级。
• 针对MSWS预测，使用10折交叉验证训练回归模型（XGBoost、GBM、SVM等），以RMSE和R²作为评估指标。
• 针对气旋等级分类，评估多分类模型（XGBoost、决策树、SVM、朴素贝叶斯）的准确率。
• 基于交叉验证结果，选择表现最佳的模型——回归任务使用XGBoost，分类任务使用基于基尼指数的决策树（深度为4）。
• 在两个近期气旋Vayu和Fani上测试模型，以评估其在实时预测中的表现。

实验结果

研究问题

• RQ1 机器学习模型能否仅使用标准气象参数，在北印度洋准确估算最大持续风速（MSWS）？
• RQ2 机器学习在基于气压和位置等气旋属性的情况下，对气旋强度等级（1至7级）的分类效果如何？
• RQ3 模型在近期高影响气旋（如Vayu和Fani）上是否保持高性能，表明其在真实场景中的可靠性？
• RQ4 在XGBoost、GBM和决策树中，哪种机器学习算法在气旋强度估算中实现了准确率与泛化能力的最佳平衡？
• RQ5 模型在高强度等级（5–7级）上的表现是否显著更优，这些等级对防灾准备最为关键？

主要发现

• XGBoost在MSWS预测中实现了最低的RMSE（2.3）和最高的R²（0.99），优于其他回归模型。
• 基于基尼指数且深度为4的决策树在气旋等级预测中实现了最高的分类准确率（87.91%）。
• 对于高强度等级（5–7级），模型平均准确率达98.84%，其中严重气旋风暴（SCS）的准确率为100%。
• 在气旋Vayu上，模型预测MSWS的RMSE为2.2，R²为0.99，等级预测准确率为93.22%。
• 在气旋Fani上，模型预测MSWS的RMSE为3.4，R²为0.99，等级预测准确率为95.23%。
• 模型展现出强大的泛化能力，在未见的近期气旋上保持高性能，验证了其在实时应用中的可靠性。