Predicción de la Ciclogénesis Tropical Basada en Métodos de Aprendizaje Automático y su Interpretación SHAP

Resumen Este estudio entrena tres modelos de aprendizaje automático con diferentes complejidades: Bosque Aleatorio, Máquina de Soporte Vectorial y Red Neuronal, para predecir la ciclogénesis con un tiempo de pronóstico de 24 horas para perturbaciones tropicales dadas identificadas por un algoritmo de Filtro de Kalman optimizado. El rendimiento general es competente en términos de puntuaciones f1 (∼0.8) en comparación con investigaciones previas de la misma índole. Una evaluación realizada mediante valores SHapley Additive exPlanations (SHAP) revela que la vorticidad a nivel medio (500 hPa) es el factor más influyente para decidir si una perturbación tropical está en desarrollo o no en los tres modelos. También se ha encontrado que el cizallamiento del viento y la inclinación tienen cierto nivel de importancia. Estos resultados fomentan más experimentos que utilicen modelos físicos para explorar el camino dinámico a nivel medio hacia la ciclogénesis tropical. Otro uso de los valores SHAP en este trabajo es explicar cómo un modelo de aprendizaje automático decide si un caso individual de perturbación tropical se desarrollará, listando la contribución de cada característica a la probabilidad de génesis de salida, ilustrado mediante un estudio de caso del tifón Halong. Esto aumenta la fiabilidad de los modelos de aprendizaje automático, y los pronosticadores pueden aprovechar tal información para emitir advertencias sobre la formación de ciclones tropicales con mayor precisión. Se discuten varias advertencias sobre la aplicación actual del aprendizaje automático en los estudios de ciclogénesis tropical, que pueden considerarse para investigaciones futuras. Estos pueden beneficiar la interpretación y énfasis de ciertos campos de salida en el sistema de predicción dinámica operacional, lo que puede contribuir a pronósticos de ciclogénesis más oportunos.