Previsão de relâmpagos com aerossol
npj Climate and Atmospheric Science volume 6, Número do artigo: 126 (2023) Citar este artigo
97 acessos
2 Altmétrico
Detalhes das métricas
A previsão precisa e oportuna de ocorrências de raios desempenha um papel crucial na salvaguarda do bem-estar humano e do meio ambiente global. Modelos baseados em aprendizado de máquina foram empregados anteriormente para previsão de ocorrência de raios, oferecendo vantagens em eficiência computacional. No entanto, esses modelos foram prejudicados pela precisão limitada devido à representação inadequada dos intrincados mecanismos que impulsionam os raios e a um conjunto de dados de treinamento restrito. Para resolver essas limitações, apresentamos uma abordagem de aprendizado de máquina que integra recursos de aerossol para capturar mecanismos de relâmpagos de forma mais eficaz, complementada por observações de satélite enriquecidas do Geostationary Lightning Mapper (GLM). Através do treinamento de um modelo LightGBM bem otimizado, geramos com sucesso previsões de relâmpagos espacialmente contínuas (0,25° por 0,25°) e horárias sobre os Estados Unidos Contíguos (CONUS) durante a temporada de verão, superando o desempenho de linhas de base competitivas. O desempenho do modelo é avaliado usando várias métricas, incluindo precisão (94,3%), probabilidade de detecção (POD, 75,0%), taxa de alarme falso (FAR, 38,1%), área sob a curva de precisão-recuperação (PRC-AUC, 0,727) . Além do conjunto de dados enriquecido, o desempenho aprimorado pode ser atribuído à inclusão de recursos de aerossol, que aprimorou significativamente o modelo. Este aspecto crucial foi negligenciado em estudos anteriores. Além disso, nosso modelo desvenda a influência da composição e carga do aerossol na formação de raios, indicando que a alta carga de aerossóis consistindo de sulfatos e compostos orgânicos tende a aumentar a atividade dos raios, enquanto o carbono negro a inibe. Estas descobertas alinham-se com o conhecimento científico atual e demonstram o imenso potencial para elucidar os mecanismos complexos subjacentes aos fenómenos de relâmpagos associados aos aerossóis.
Os raios, uma causa proeminente de mortes humanas naturais, representam uma ameaça significativa para a sociedade moderna, resultando em mais de 4.000 mortes em todo o mundo a cada ano1,2. Além disso, conduz a perdas económicas significativas, com os Estados Unidos a sofrer anualmente cerca de mil milhões de dólares em danos. A previsão oportuna e precisa de ocorrências de raios desempenha um papel vital na facilitação da preparação para emergências e das medidas de proteção. Além disso, os relâmpagos servem como fonte natural primária de óxidos de azoto, exercendo assim uma influência considerável na química atmosférica3, sublinhando a importância da previsão de relâmpagos na salvaguarda do bem-estar humano e do ambiente global.
Os relâmpagos geralmente ocorrem durante a formação de tempestades, que são tipicamente caracterizadas por altos níveis de umidade e uma atmosfera instável4,5,6,7,8. Os modelos numéricos podem simular explicitamente a formação de raios, incorporando processos microfísicos parametrizados . No entanto, os modelos numéricos atuais lutam para encontrar um equilíbrio entre a elevada detectabilidade de raios e as baixas taxas de falsos alarmes (FAR), limitando assim a sua aplicabilidade na previsão de raios11,12,13. Além disso, as demandas computacionais da simulação de raios em modelos numéricos impedem a eficiência da previsão de raios, onde a pontualidade é crucial em domínios como aviação e manufatura. Em contraste, modelos de relâmpagos baseados em observação e baseados em dados surgiram como métodos eficientes para obter previsões precisas de relâmpagos, aproveitando amostras reais a um custo computacional mais baixo. Por exemplo, Mostajabi et al.14 foram pioneiros na exploração de modelos baseados em dados para previsão de relâmpagos na hora futura com notável precisão, utilizando apenas variáveis meteorológicas. Além disso, a capacidade inerente dos modelos de aprendizado de máquina de capturar características não lineares permite alto desempenho mesmo com entradas de recursos simples e práticas. Até agora, uma série de modelos de aprendizado de máquina foram explorados para prever a ocorrência de raios com variáveis meteorológicas, seja de estação meteorológica, ou modelo meteorológico assimilado e radar meteorológico, incluindo rede neural artificial e árvore de decisão15, máquina de aumento de gradiente de luz (LightGBM) 16, suportam máquinas de vetores e floresta aleatória17 e rede neural recorrente de memória de longo e curto prazo18. Os modelos atuais de aprendizado de máquina demonstram alta eficiência; no entanto, eles ainda enfrentam desafios com alto FAR em níveis de alta probabilidade de detecção (POD)17. Essa limitação pode ser atribuída a conjuntos de dados de treinamento insuficientes e dados de recursos incompletos utilizados em modelos anteriores, que serão completamente elucidados nas seções subsequentes.