エアロゾルによる稲妻のナウキャスト

npj 気候と大気科学 第 6 巻、記事番号: 126 (2023) この記事を引用

97 アクセス

2 オルトメトリック

メトリクスの詳細

雷の発生を正確かつタイムリーに予測することは、人間の幸福と地球環境を守る上で重要な役割を果たします。 機械学習ベースのモデルは、雷の発生をナウキャストするためにこれまでに採用されており、計算効率の点で利点があります。 しかし、これらのモデルは、雷を引き起こす複雑なメカニズムの表現が不十分であり、トレーニング データセットが限られているため、精度が限られていることによって妨げられてきました。 これらの制限に対処するために、我々は、エアロゾルの特徴を統合して雷のメカニズムをより効果的に捕捉する機械学習アプローチを提案し、静止雷マッパー (GLM) による充実した衛星観測によって補完します。 適切に最適化された LightGBM モデルのトレーニングを通じて、夏期に米国本土 (CONUS) 上で空間的に連続 (0.25° x 0.25°) で時間ごとの雷ナウキャストを生成することに成功し、競合ベースラインのパフォーマンスを上回りました。 モデルのパフォーマンスは、精度 (94.3%)、検出確率 (POD、75.0%)、誤警報率 (FAR、38.1%)、精度 - 再現率曲線の曲線下面積 (PRC-AUC、0.727) などのさまざまな指標を使用して評価されます。 。 パフォーマンスの向上は、充実したデータセットに加えて、モデルを大幅に強化したエアロゾル特徴の組み込みによるものと考えられます。 この重要な側面は、これまでの研究では見落とされてきました。 さらに、私たちのモデルは、雷の発生に対するエアロゾルの組成と負荷の影響を解明し、硫酸塩と有機化合物からなるエアロゾル負荷が高いと雷の活動を促進する傾向がある一方、ブラックカーボンは雷の発生を抑制することを示しています。 これらの発見は現在の科学的知識と一致しており、エアロゾル関連の雷現象の根底にある複雑なメカニズムを解明するための計り知れない可能性を示しています。

自然死の主な原因である雷は現代社会に重大な脅威をもたらしており、世界中で毎年 4,000 人以上が死亡しています 1,2。 さらに、これは多大な経済的損失をもたらし、米国だけで年間約 10 億米ドルの損害が発生しています。 雷の発生をタイムリーかつ正確に予測することは、緊急時の備えと保護措置を促進する上で重要な役割を果たします。 さらに、雷は窒素酸化物の主要な自然発生源として機能するため、大気化学に多大な影響を及ぼしており、人間の健康と地球環境を守る上で雷予測の重要性が強調されています。

雷は通常、雷雨の形成中に発生します。雷雨は通常、高い湿度レベルと不安定な大気によって特徴付けられます4、5、6、7、8。 数値モデルは、パラメータ化された微小物理プロセスを組み込むことにより、雷の形成を明示的にシミュレートできます9,10。 しかし、現在の数値モデルは、高い落雷検出能力と低い誤報率 (FAR) のバランスを取るのに苦労しており、そのため落雷予測への適用性が制限されています 11,12,13。 さらに、数値モデル内の雷シミュレーションの計算需要は、航空や製造などの分野で適時性が重要である雷ナウキャスティングの効率を妨げます。 対照的に、観測ベースのデータ駆動型雷モデルは、より低い計算コストでグラウンドトゥルースのサンプルを活用し、正確な雷ナウキャストを実現する効率的な方法として登場しました。 たとえば、Mostajabi et al.14 は、気象変数のみを利用して、将来の時間における雷のナウキャストを驚くべき精度で行うデータ駆動型モデルを探索した先駆者です。 さらに、非線形特性を捕捉する機械学習モデルの固有の能力により、シンプルで実用的な特徴入力でも高いパフォーマンスが可能になります。 これまでのところ、人工ニューラル ネットワークとデシジョン ツリー 15、光勾配ブースティング マシン (LightGBM) を含む、気象観測所、または同化された気象モデルと気象レーダーからの気象変数を使用して雷の発生を予測する一連の機械学習モデルが研究されてきました。 16、サポートベクターマシンとランダムフォレスト17、および長期短期記憶リカレントニューラルネットワーク18。 現在の機械学習モデルは高い効率を示しています。 ただし、依然として、高検出確率 (POD) レベルでの高い FAR という課題に直面しています17。 この制限は、以前のモデルで使用されていた不十分なトレーニング データセットと不完全な特徴データに起因する可能性があります。これについては、以降のセクションで徹底的に説明します。