Using Machine Learning to Generate Storm-Scale Probabilistic Guidance of Severe Weather Hazards in the Warn-on-Forecast System

Abstract

A primary goal of the National Oceanic and Atmospheric Administration Warn-on-Forecast (WoF) project is to provide rapidly updating probabilistic guidance to human forecasters for short-term (e.g., 0-3 h) severe weather forecasts. Post-processing is required to maximize the usefulness of probabilistic guidance from an ensemble of convection-allowing model forecasts. Machine learning (ML) models have become popular methods for post-processing severe weather guidance since they can leverage numerous variables to discover useful patterns in complex datasets. In this study, we develop and evaluate a series of ML models to produce calibrated, probabilistic severe weather guidance from WoF System (WoFS) output.Our dataset includes WoFS ensemble forecasts available every 5 minutes out to 150 min of lead time from the 2017-2019 NOAA Hazardous Weather Testbed Spring Forecasting Experiments (81 dates). Using a novel ensemble storm track identification method, we extracted three sets of predictors from the WoFS forecasts: intra-storm state variables, near-storm environment variables, and morphological attributes of the ensemble storm tracks. We then trained random forests, gradient-boosted trees, and logistic regression algorithms to predict which WoFS 30-min ensemble storm tracks will overlap a tornado, severe hail, and/or severe wind report. To provide rigorous baselines against which to evaluate the skill of the ML models, we extracted the ensemble probabilities of hazard-relevant WoFS variables exceeding tuned thresholds from each ensemble storm track. The three ML algorithms discriminated well for all three hazards and produced more reliable probabilities than the baseline predictions. Overall, the results suggest that ML-based post-processing of dynamical ensemble output can improve short term, storm-scale severe weather probabilistic guidance.

Hybrid forecasting: using statistics and machine learning to integrate predictions from dynamical models

“…The potential of ML as a means to post-process dynamical forecasts and produce warning scenarios for convective weather is emerging (e.g. Moon et al, 2019;Flora et al, 2021) but has not yet been widely utilised as input to hydrological models. Like all models at this scale, the development of hybrid approaches is constrained by the lack of observational data at the spatial and temporal scales required.…”

Dự báo lại đợt dông gây mưa đá ngày 24–25/01/2020 trên khu vực Đông Bắc Bộ bằng mô hình số

“…UH cho thấy khả năng dự báo dông và các hiện tượng thời tiết cực đoan hạn 24h cũng như hạn cực ngắn đến 1h. Tuy nhiên, nó có những hạn chế về độ phân giải và khả năng dự báo dông cường độ trung bình [15]. Bên cạnh đó, SSPFs sử dụng cho khu vực có trị số UH cao giúp tăng độ tin cậy của dự báo hiện tượng thời tiết cực đoan, đặc biệt ở quy mô vừa [10].…”

“…Tuy nhiên, với hai chỉ số dông UH và CTG mô hình lại cho kết quả dự báo rất đáng chú ý. Có thể nói rằng trong trường hợp nghiên cứu này, mô hình WRF-ARW đã dự báo thời điểm, vị trí xuất hiện và hướng di chuyển của các "ổ dông" rất sát so với thực tế khi so sánh với ảnh mây vệ tinh IR. Đây là kết quả rất khả quan đối với các dự báo hiện tượng thời tiết nguy hiểm qui mô vừa bằng mô hình số, và cũng là lý do mà các chỉ số dông ngày càng được sử dụng nhiều trong thực tiễn [9,10,13,14,15,17]. Về mặt trị số, chỉ số UH vượt ngưỡng 75 m 2 s -2 ở cả hai cụm ổ dông nhưng CTG dưới ngưỡng 25 kg m -2 (hơn 11 và 5 kg m -2 tương ứng cho cụm ổ dông thứ nhất và thứ hai) cho mưa đá cường độ mạnh với đường kính trên 25 mm [9].…”

“…Tất cả những điều này cho thấy rằng các chỉ số dùng cho mô hình số dự báo dông gây mưa đá có thể cần phải được điều chỉnh cho phù hợp hơn, ví dụ điều chỉnh ngưỡng CTG cho khu vực Việt Nam. Ngoài ra, cũng cần có thêm các nghiên cứu thử nghiệm dự báo mưa đá bằng một số phương pháp khác như PSD, HAILCAST [18] hoặc kết hợp với học máy để dự báo tốt hơn các hiện tượng thời tiết nguy hiểm, cực đoan [8,15,17]. Lời cam đoan: Tập thể tác giả cam đoan bài báo này là công trình nghiên cứu của tập thể tác giả, chưa được công bố ở đâu, không được sao chép từ bất kỳ nghiên cứu nào trước đây; không có sự tranh chấp lợi ích trong nhóm tác giả.…”

Machine learning classification of significant tornadoes and hail in the U.S. using ERA5 proximity soundings

“…Observed proximity sounding studies have been conducted since the 1940s in an effort to improve our understanding of the environments that favor SCS. Showalter and Fulks (1943), Fawbush andMiller (1954), andBeebe (1958) were the first formal studies that attempted to associate observed vertical thermodynamic and kinematic profiles with SCS events. The first definition of a proximity sounding is often credited to Darkow (1969).…”