Os ciclones tropicais (CTs) são forças humildes e poderosas da natureza que podem ter impactos tremendos sobre as pessoas e as populações humanas. Os meteorologistas têm se esforçado para melhorar a habilidade de previsão do TC, na esperança de salvar vidas. Nas últimas décadas, As previsões da trilha do TC sobre o oeste do Pacífico Norte (WNP) progrediram consideravelmente. Contudo, As previsões de intensidade de TC melhoraram insignificantemente, com apenas um prazo de entrega de 3 a 5 dias. Portanto, melhorar a habilidade de previsão da intensidade do TC e estender o tempo de previsão do lead são questões importantes e urgentes.

Para resolver este problema crítico, um grupo de pesquisa liderado pelo Prof. Ruifen Zhan do Departamento de Ciências Atmosféricas e Oceânicas / Instituto de Ciências Atmosféricas da Universidade de Fudan, junto com o Instituto de Tufão de Xangai da Administração Meteorológica da China, desenvolveram um novo método de previsão que fornece previsões de intensidade de TC mais precisas. A equipe acaba de publicar suas descobertas em Avanços nas Ciências Atmosféricas .

"O novo esquema também mostra o potencial para prever a rápida intensificação e o rápido enfraquecimento da TC, e para estender o atual limite de tempo de previsão de 5 dias para 7 dias, "disse o Prof. Zhan.

Os desenvolvedores basearam a nova abordagem na equação de crescimento logístico. Eles combinaram regressão passo a passo (SWR), que é essencialmente um método de "tentativa e erro" de teste de variáveis, e métodos de aprendizado de máquina (LightGBM) usando dados observados e reanálise. Os resultados mostram que o novo esquema produz erro de previsão de intensidade TC muito menos significativo do que a previsão de intensidade oficial da Administração Meteorológica da China, especialmente para TCs que impactaram regiões costeiras do Leste Asiático. Os pesquisadores também compararam novos dados baseados em LightGBM com resultados obtidos usando o método baseado em SWR. O esquema baseado em LightGBM superou consistentemente os processos convencionais baseados em SWR.

"Trabalhos futuros podem ser necessários para superar o problema de amostras insuficientes, combinando os métodos de aprendizagem por transferência com base nesta pesquisa, que é a chave se o novo esquema pode ser usado em previsões operacionais. "acrescentou o Prof. Zhiwei Wu, um co-autor do estudo.