Deep learning approach for detecting tropical cyclones and their precursors in the simulation by a cloud-resolving global nonhydrostatic atmospheric model

Matsuoka, Daisuke; Nakano, Masuo; Sugiyama, Daisuke; Uchida, Seiichi

doi:10.1186/s40645-018-0245-y

Cited by 84 publications

(59 citation statements)

References 28 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…CNN could successfully cope with the task with high accuracy. CNN also has been employed by Matsuoka et al[72] who developed a CNN technique for the estimation of tropical cyclones. The training process was performed in the presence of longwave radiation outgoing during twenty-year simulation which has been calculated by employing a cloud-resolving global atmospheric simulation.…”

mentioning

confidence: 99%

Deep Learning and Machine Learning in Hydrological Processes, Climate Change and Earth Systems: A Systematic Review

Ardabili¹,

Mosavi

Dehghani

et al. 2019

Preprint

View full text Add to dashboard Cite

Artificial intelligence methods and application have recently shown great contribution in modeling and prediction of the hydrological processes, climate change, and earth systems. Among them, deep learning and machine learning methods mainly have reported being essential for achieving higher accuracy, robustness, efficiency, computation cost, and overall model performance. This paper presents the state of the art of machine learning and deep learning methods and applications in this realm and the current state, and future trends are discussed. The survey of the advances in machine learning and deep learning are presented through a novel classification of methods. The paper concludes that deep learning is still in the first stages of development, and the research is still progressing. On the other hand, machine learning methods are already established in the fields, and novel methods with higher performance are emerging through ensemble techniques and hybridization.

show abstract

mentioning

confidence: 99%

Deep Learning and Machine Learning in Hydrological Processes, Climate Change and Earth Systems: A Systematic Review

Ardabili¹,

Mosavi

Dehghani

et al. 2019

Preprint

View full text Add to dashboard Cite

show abstract

“…Several promising studies using AI for TC detection and prediction have already been published (e.g. Jin et al, 2008;Loridan et al, 2017;Mercer and Grimes, 2017;Matsuoka et al, 2018;Wimmers et al, 2019). One can hope that a continuing improvement of AI technology can be harnessed to enhance high-impact weather forecasting in regions with a vulnerable population, including south-eastern Africa.…”

Section: Discussionmentioning

confidence: 99%

Prediction of Idai and 38 Other Tropical Cyclones and Storms in the Mozambique Channel

Kolstad¹

2020

Preprint

View full text Add to dashboard Cite

On average, about two tropical storms or cyclones enter or form in the Mozambique Channel between the African mainland and Madagascar each year. Their impact can be devastating. The tropical cyclone Idai, which hit land in Mozambique in 2019, was one of the deadliest storms on record in the Southern Hemisphere. Previous studies have found that the tracks and strengths of tropical storms and cyclones are difficult to predict more than a few days ahead.An extension of this forecast horizon would be crucial for enabling authorities to take precautionary actions. Here, the ability of the European Centre for Medium-range Weather Forecasts (ECMWF) state-of-the-art ensemble prediction model to predict Idai and 38 other tropical systems is assessed. Local wind speed maxima and sea-level pressure (SLP) minima were predicted by about 25% of the ensemble members at lead times of 1-3 days but only about 5% of the members at 7-9 days' lead times. However, several variables showed potential as precursors of tropical storms and cyclones, and some of these could be predicted at long lead times. In particular, SLP anomalies, which were significantly lower than normal multiple days before the peaks of the storms, were skilfully predicted by the ensemble mean at lead times of at least 3 weeks. Specific humidity at 500 hPa and divergence at 200 hPa were higher than normal several days before the peaks, and these potential precursors were also forecasted with skill up to about 2 weeks in advance. The inclusion of forecasts of these variables as predictors in hybrid statistical-dynamical forecasting systems could potentially extend the time horizon for prediction and early detection of possible tropical storms and cyclones in the region.

show abstract

“…B. die El-Niño-oder La-Niña-Phänomene. Matsuoka et al nutzen beispielsweise Deep Learning, um tropische Wirbelstürme und deren Vorläufer zu detektieren, wodurch die Frühwarnung vor diesen Ereignissen verbessert werden kann [20]. Das System ist dabei sogar in der Lage, mit einer 75 %igen Genauigkeit die Vorläufer solcher tropischen Wirbelstürme bis zu 7 Tage vorher korrekt zu detektieren.…”

Section: Ausblickunclassified

Visuelle Analyse großer Daten in der Klimaforschung

Röber

Böttinger

2019

Informatik Spektrum

View full text Add to dashboard Cite

Das Klima und die Klimaforschung bekommen in den aktuellen Debatten, sowohl in der öffentlichen Wahrnehmung als auch in der Politik, endlich die Bedeutung, die dieses wichtige Thema verdient. Präzise Projektionen zur Entwicklung des Klimas unter veränderten Bedingungen sind erforderlich und schon vielfach berechnet und analysiert worden. Aber auch die Klimaforschung entwickelt sich weiter, die Daten werden komplexer, da die Modelle durch gestiegene Rechenleistung immer feiner aufgelöst rechnen können, sodass sich auch kleinräumige Phänomene, wie z. B. Wolken realistischer abbilden und simulieren lassen. Die dabei von Klimamodellen produzierte Datenmenge wächst seit Jahren kontinuierlich an. Aktuell sind am DKRZ etwa 120 PByte Klimasimulationsdaten archiviert, mit einem Zuwachs von 40 PByte allein im letzten Jahr. Neue Modelle können die Feinheiten des Klimasystems besser nachbilden und mehr Prozesse, Abhängigkeiten und Wechselwirkungen in der Simulation berücksichtigen. Zusätzlich können heute anhand von Ensemblesimulationen nicht nur die Robustheit der Modellergebnisse bestimmt, sondern auch statistisch unterlegte Aussagen zum Eintreffen bestimmter Ereignisse gemacht werden. Ensemblesimulationen werden schon seit einigen Jahren operationell in der Wettervorhersage eingesetzt und gewinnen nun auch in der Klimaforschung zunehmend an Bedeutung. Klimamodelle Zur Simulation des Klimas über längere Zeiträume werden gekoppelte Modelle eingesetzt, die unterschiedliche Aspekte bzw. Kompartimente des Klimasystems mit unterschiedlichen Teilmodel-len abbilden. Das Modell MPI-ESM [11], welches auch für die Simulationen eingesetzt wurde, die im Hinblick auf den deutschen Beitrag zum aktuellen fünften Weltklimastatusbericht durchgeführt wurden, beinhaltet neben den klassischen Komponenten für Atmosphäre, Ozean (inkl. Meereis) und Landoberfläche auch ein Modell der marinen Biogeochemie sowie der Landbiosphäre. Ein Koppler sorgt für den Austausch der Informationen zwischen den einzelnen Teilmodellen, die oft auch unterschiedliche Rechengitter und-zeitschritte verwenden. Jedes Teilmodell berechnet für das entsprechende Rechengitter und für jeden Zeitpunkt eine Vielzahl prognostischer und diagnostischer Variablen, die es auszuwerten gilt. ICON (ICOsahedral Non-hydrostatic) ist ein neues und für vielseitige Experimente verwendetes Modell, welches in Kooperation zwischen dem MPI-M, dem DWD und dem DKRZ entwickelt wird [12]. Als Basis dient ein Ikosaedergitter mit gleich großen Gitterzellen, bei dem die Daten in der Mitte der Dreiecke, auf den Eckpunkten und auf der Mitte der Kanten liegen. Das vertikale Gitter ist rektilinear und in der Nähe der Erd-bzw. Ozeanoberfläche feiner aufgelöst. Obwohl das ICON-Modellgitter unstrukturiert ist, hat es gegenüber anderen in der Klimamodellierung gebräuchlichen Gittern Vorteile: Die mathematischen Polstellen entfallen, das Gitter lässt sich in Regionen leicht verfeinern und die

show abstract

Deep learning approach for detecting tropical cyclones and their precursors in the simulation by a cloud-resolving global nonhydrostatic atmospheric model

Cited by 84 publications

References 28 publications

Deep Learning and Machine Learning in Hydrological Processes, Climate Change and Earth Systems: A Systematic Review

Deep Learning and Machine Learning in Hydrological Processes, Climate Change and Earth Systems: A Systematic Review

Prediction of Idai and 38 Other Tropical Cyclones and Storms in the Mozambique Channel

Visuelle Analyse großer Daten in der Klimaforschung

Contact Info

Product

Resources

About