Pyrocumulonimbus Prediction through Machine Learning

doi:10.1175/AIES-D-24-0126.1

Pyrocumulonimbus Prediction through Machine Learning

2026-01-01

0

PRE

AI

DOI：10.1175/AIES-D-24-0126.1

原文链接

原文求助

摘要

En 中文

我们应用机器学习自动提取有利于火成积雨云（pyroCb）发展的火灾与大气条件之间的关系，使用2013年至2020年美国和加拿大连续观测的214个pyroCb事件的数据。2021年的91个事件数据用作独立测试集。我们创建了一个机器学习数据集，包含数值天气预报模型的大气变量和卫星检测的火灾条件。然后我们将pyroCb事件与其源火灾相结合，构建用于机器学习算法区分的pyroCb和非pyroCb事件数据集。我们评估了多种有监督机器学习方法，包括随机森林、加权随机森林、极端梯度提升（XGBoost）和多层感知器，并应用数据平衡方法，包括随机过采样、随机欠采样和合成少数类过采样技术，以评估机器学习对pyroCb预测的可行性。我们描述了使用输入特征子集的实验，以比较基于所有特征、火灾特征以及基于pyroCb热力学的模型。我们将基于专业领域知识选择的特征子集的模型性能与使用常用自动特征选择方法生成的子集进行比较。我们发现机器学习能够实现有技巧的pyroCb预报，但存在一些未被充分表征的异常事件。该框架将使用下一代地球静止传感器在全球范围内扩展，以促进操作性的pyroCb预测。重要意义陈述：在剧烈火灾活动期间观察到的烟羽有时会被积云覆盖。在有利条件下，这些云会继续发展为大型火灾引发的雷暴，称为火成积雨云（pyroCb）。一些最极端的野火事件，如2020年的Creek Fire，与能够引发火灾快速强化的pyroCb相关。此外，它们可以将大量烟尘注入大气中，这些烟尘可以长期存在并对长期气候产生影响。然而，pyroCb尚未被充分理解。本研究中，我们探讨了机器学习自动提取卫星观测野火与大气变量之间关系以识别有利于pyroCb发展的条件的潜力。这是理解操作性pyroCb预报和灾害意识潜力的第一步。

Keyword:

Extreme events

Thunderstorms

Wildfires

Decision trees

Machine learning

Neural networks

Pyrocumulonimbus Prediction through Machine Learning

摘要

期刊

机构

引用论文