Técnicas de Aprendizado de Máquina para Prever a Surge de Tempestade Induzida por Tufões Usando um Campo de Vento Híbrido

Resumo A previsão precisa e oportuna de surgências de tempestade é uma informação crítica na gestão de zonas costeiras e estratégias de redução de risco. O Mar de Bohai, uma baía semi-fechada no Noroeste do Pacífico que costumava ser menos propensa a desastres de tufões, tem presenciado uma mudança de paradigma nas atividades de tufões no passado recente. Como houve poucas surgências de tempestade induzidas por tufões no Mar de Bohai, um sistema de previsão inovador é necessário para lidar com impactos frequentes e intensos induzidos por tufões. Quatro modelos de Aprendizado de Máquina (ML) (Memória de Longo e Curto Prazo (LSTM), Redes Neurais Convolucionais (CNN), CNN-LSTM e ConvLSTM) foram construídos para prever surgências de tempestade e melhorar significativamente a previsão quando combinados com um Modelo Oceânico de Volume Finito Comunitário em três dimensões (FVCOM), ou seja, FVCOM-ML. Neste estudo, o modelo FVCOM-ML foi conduzido por um campo de vento híbrido que sobrepôs o vento de Holland e o campo de vento de reanálise. Os modelos de ML foram treinados por meio de simulações do Modelo de Circulação Avançada para compensar a limitada observação in situ. O desempenho das previsões foi analisado tanto para variabilidade espacial (por exemplo, locais únicos e múltiplos) quanto temporal (por exemplo, passos únicos e múltiplos). O ML é treinado para superar o erro residual do FVCOM, reduzindo efetivamente a incerteza inerente aos métodos tradicionais. FVCOM-ML oferece uma vantagem significativa sobre o FVCOM autônomo ou o ML, ao incorporar melhor as restrições físicas realistas e melhorar a precisão das previsões de surgência de tempestade.