에어로졸을 이용한 번개 현재 캐스팅

npj 기후 및 대기 과학 6권, 기사 번호: 126(2023) 이 기사 인용

97 액세스

2 알트메트릭

측정항목 세부정보

번개 발생을 정확하고 시기적절하게 예측하는 것은 인간의 안녕과 지구 환경을 보호하는 데 중요한 역할을 합니다. 기계 학습 기반 모델은 이전에 번개 발생을 예측하는 데 사용되어 계산 효율성에 이점을 제공했습니다. 그러나 이러한 모델은 번개를 유발하는 복잡한 메커니즘과 제한된 훈련 데이터 세트를 제대로 표현하지 못하여 정확도가 제한되어 있습니다. 이러한 제한 사항을 해결하기 위해 우리는 에어로졸 기능을 통합하여 번개 메커니즘을 보다 효과적으로 포착하고 GLM(Geostationary Lightning Mapper)의 풍부한 위성 관측을 통해 보완하는 기계 학습 접근 방식을 제시합니다. 잘 최적화된 LightGBM 모델 훈련을 통해 우리는 여름 시즌 동안 Contiguous United States(CONUS)에 걸쳐 공간적으로 연속적인(0.25° x 0.25°) 시간별 번개를 성공적으로 생성하여 경쟁 기준 성능을 능가했습니다. 모델 성능은 정확도(94.3%), 탐지 확률(POD, 75.0%), 잘못된 경보 비율(FAR, 38.1%), 정밀도-재현율 곡선 아래 면적(PRC-AUC, 0.727) 등 다양한 지표를 사용하여 평가됩니다. . 강화된 데이터 세트 외에도 에어로졸 기능이 포함되어 모델이 크게 향상되어 향상된 성능을 얻을 수 있습니다. 이 중요한 측면은 이전 연구에서 간과되었습니다. 또한, 우리 모델은 에어로졸 구성과 번개 형성에 대한 부하의 영향을 밝혀 황산염과 유기 화합물로 구성된 높은 에어로졸 부하가 번개 활동을 향상시키는 경향이 있는 반면 검은 탄소는 이를 억제한다는 것을 나타냅니다. 이러한 발견은 현재의 과학 지식과 일치하며 에어로졸 관련 번개 현상의 기초가 되는 복잡한 메커니즘을 해명할 수 있는 엄청난 잠재력을 보여줍니다.

자연사망의 주요 원인인 번개는 현대 사회에 심각한 위협을 가하며 매년 전 세계적으로 4,000명 이상의 사망자를 발생시키고 있습니다1,2. 또한 이는 상당한 경제적 손실로 이어지며, 미국에서만 매년 약 10억 달러의 피해가 발생합니다. 번개 발생에 대한 시의적절하고 정확한 예측은 비상 대비 및 보호 조치를 촉진하는 데 중요한 역할을 합니다. 더욱이, 번개는 질소 산화물의 주요 천연 공급원 역할을 하여 대기 화학에 상당한 영향을 미치며3, 인간의 안녕과 지구 환경을 보호하는 데 있어 번개 예측의 중요성을 강조합니다.

번개는 일반적으로 뇌우가 형성되는 동안 발생하며, 이는 일반적으로 높은 수분 수준과 불안정한 대기를 특징으로 합니다4,5,6,7,8. 수치 모델은 매개변수화된 미세물리 과정을 통합하여 번개 형성을 명시적으로 시뮬레이션할 수 있습니다9,10. 그러나 현재의 수치 모델은 높은 번개 감지 가능성과 낮은 FAR(오경보율) 사이의 균형을 맞추는 데 어려움을 겪고 있으므로 번개 예측에 적용 가능성이 제한됩니다. 또한 수치 모델 내 번개 시뮬레이션의 계산 요구 사항은 항공 및 제조와 같은 영역에서 적시성이 중요한 번개 현재 캐스팅의 효율성을 방해합니다. 이와 대조적으로, 관찰 기반 데이터 기반 번개 모델은 더 낮은 계산 비용으로 지상 실제 샘플을 활용하여 정확한 번개 현재 캐스팅을 달성하기 위한 효율적인 방법으로 등장했습니다. 예를 들어, Mostajabi et al.14는 날씨 변수만을 활용하여 놀라운 정확도로 미래의 번개 현재 캐스팅에 대한 데이터 기반 모델을 탐색하는 선구자였습니다. 또한, 비선형 특성을 포착하는 기계 학습 모델의 고유한 기능은 간단하고 실용적인 특성 입력으로도 높은 성능을 가능하게 합니다. 지금까지 기상 관측소 또는 인공 신경망 및 의사 결정 트리15, Light GBM(Light Gradient-Bosting Machine)을 포함하여 동화된 기상 모델 및 기상 레이더의 기상 변수를 사용하여 번개 발생을 예측하기 위한 일련의 기계 학습 모델을 탐색했습니다. 16, 벡터 머신과 랜덤 포레스트17 및 장단기 기억 순환 신경망18을 지원합니다. 현재 기계 학습 모델은 높은 효율성을 보여줍니다. 그러나 여전히 높은 POD(검출 확률) 수준에서 높은 FAR 문제에 직면하고 있습니다17. 이러한 제한은 이전 모델에서 활용된 훈련 데이터세트가 부족하고 기능 데이터가 불완전하기 때문일 수 있으며, 이에 대해서는 후속 섹션에서 자세히 설명합니다.