Change-point detection in the historical hurricane number time-series: why can't we detect change-points at US landfall?
大西洋盆地每年飓风次数的时间序列表明1994年至1995年期间飓风次数有明显的变化。然而，登陆美国的飓风数量的时间序列并没有显示出同样明显的水平变化。从表面上看，这似乎相当令人惊讶，因为登陆飓风是盆地飓风的一个子集。我们调查它是否真的应该被认为是令人惊讶的，或者是否有一个简单的统计解释这个变点在登陆时消失。
2006-11-10 physics.ao-ph
Predicting landfalling hurricane numbers from sea surface temperature: theoretical comparisons of direct and indirect approaches
我们考虑两种方法，一个可能转换成预测的海表温度（SST）的预测登陆飓风的数量。首先，可以将登陆飓风的历史数量回归到历史SST上，并使用拟合的回归关系来预测未来登陆飓风的数量。我们称之为直接方法。第二，可以将\emph{basin}飓风数量回归到历史SST，估计登陆的盆地飓风的比例，并使用拟合的回归关系和估计的比例来预测未来登陆的飓风数量。我们称之为\emph{indirect}方法。这两种方法哪一种可能更有效？我们用两个简单的模型来回答这个问题。第一个模型是相当现实的，但我们必须诉诸于使用模拟来回答这个问题的背景下，这个模型。第二个模型不太现实，但允许我们得出一个一般的分析结果。
2007-01-29 physics.ao-ph
Statistical Modelling of the Relationship Between Main Development Region Sea Surface Temperature and \emph{Landfalling} Atlantic Basin Hurricane Numbers
我们正在建立一个飓风数量预测计划，该计划部分依赖于大西洋海面温度与登陆飓风数量之间经验关系的统计模型。我们使用1900年至2005年的数据和1950年至2005年的数据，并针对所有飓风数量和强烈飓风数量，测试了一些简单的统计模型。结果与相应的流域飓风数分析有很大不同。
2007-01-15 physics.ao-ph
Correlations between hurricane numbers and sea surface temperature: why does the correlation disappear at landfall?
主要发展区域的海面温度与在大西洋盆地形成的飓风数量之间存在着显著的相关性。然而，相同的海面温度与\emph{landfalling}飓风数量之间的相关性要低得多。为什么会这样呢？我们需要考虑复杂的物理假设，还是有一个简单的统计解释？
2007-01-15 physics.ao-ph
Predicting basin and landfalling hurricane numbers from sea surface temperature
我们正在建立一个飓风数量预测方案，首先预测主要发展区域的海表温度（SST），然后根据SST预测大西洋盆地的飓风数量，最后根据盆地飓风数量预测美国登陆飓风的数量。我们在以前的工作中描述了一些SST预测方法。我们现在研究SST和流域飓风数量之间的经验关系，并将其与SST预测结合起来，对流域和登陆飓风数量进行预测。
2007-01-29 physics.ao-ph
Year ahead prediction of US landfalling hurricane numbers: the optimal combination of long and short baselines
过去11年（1995-2005年）美国登陆飓风活动的年平均水平高于过去95年（1900-1994年）的平均水平。那么，我们应该如何最好地预测明年的飓风活动率呢？基于更高的利率将继续的假设，我们使用长时间段和短时间段的平均值的最佳组合来产生最小化MSE的预测。
2005-12-13 physics.ao-ph
Year ahead prediction of US landfalling hurricane numbers: the optimal combination of multiple levels of activity since 1900
在早期的工作中，我们考虑了预测未来飓风活动水平的方法，其基础是假设历史平均活动在1900年至1994年期间处于一个恒定水平，并且自那时以来一直处于另一个恒定水平。我们现在使这个模型更加微妙，并考虑自1900年以来四个不同水平的平均飓风活动的可能性。
2006-11-07 physics.ao-ph
SST and North American Tropical Cyclone Landfall: A Statistical Modeling Study
利用一个北大西洋热带气旋（TC）路径的统计模式，研究了海表温度（SST）与北美TC登陆率之间的关系。该跟踪模型是以1950-2005年期间热带北大西洋夏季SST处于19个最热或19个最冷年份为条件的。对于每种条件，都会生成许多合成TC并计算登陆率。与直接分析历史登陆相比，轨迹模型通过将整个流域的信息投影到海岸上来减少采样误差。在模型中，热年份的TC比冷年份多46%，与随机抽样相比，这是非常重要的，并证实了近几十年来北大西洋TC数量的有据可查的趋势。在没有其他影响的情况下，这种差异导致在炎热的年份，沿海岸均匀的模型登陆率显着增加。在地理分布的成因和TC传播的冷热差异并没有显着改变整体的登陆率差异的模型中，和净登陆率是1/4.7年，在炎热的年份和1/3.1年，在寒冷的年份。然而，SST对生成地点和传播的影响确实改变了登陆的地理分布。尤卡坦半岛在炎热年份的登陆率是寒冷年份的3倍，而美国大西洋中部海岸没有明显变化。与佛罗里达州、美国墨西哥湾沿岸、墨西哥湾沿岸和尤卡坦半岛的所有年份相比，炎热年份的登陆概率增加，置信度至少为95%。
2008-01-07 physics.ao-ph
El Nino Southern Oscillation and Atlantic Multidecadal Oscillation Impact on Hurricanes North Atlantic Basin
本研究利用1950-2023年观测数据及相关气候指数，分析ENSO、AMO和海表温度对北大西洋盆地热带气旋强度与频率的影响，发现海温升高对应气旋更强、暖相位AMO对应频率更高等关联，为提升热带气旋季节预报提供依据。
2024-10-05 cs.LG physics.ao-ph
Predicting Hurricane Trajectories using a Recurrent Neural Network
Florida International University（佛罗里达国际大学）；Ganzfried Research（甘茨弗里德研究公司）
飓风是一种围绕一个确定的中心循环的气旋，其封闭风速超过75英里/小时，起源于热带和亚热带水域。飓风登陆时会造成严重的灾害。准确预测其轨迹路径对于减少经济损失和拯救人类生命至关重要。考虑到天气数据的复杂性和非线性，循环神经网络（RNN）可能有助于对飓风行为进行建模。我们提出了一个完全连接的RNN的应用程序来预测飓风的轨迹。我们在细网格上使用RNN来减少典型的截断误差。我们利用国家飓风中心（NHC）公开提供的纬度，经度，风速和压力来预测每隔6小时的飓风轨迹。结果表明，该技术是有竞争力的，目前采用的方法由NHC和可以预测长达约120小时的飓风路径。
2018-09-12 cs.AI cs.CY cs.LG
Simulation of Atlantic Hurricane Tracks and Features: A Deep Learning Approach
National Institute of Standards and Technology（美国国家标准与技术研究院）
本文的目的是采用机器学习（ML）和深度学习（DL）技术，从HURDAT 2数据库模型中获取输入数据（风暴特征），这些数据库模型能够模拟与历史记录一致的重要飓风属性，如登陆位置和风速。为了实现这一目标，建立了一个轨迹模型，提供了风暴中心的经度和纬度，并建立了强度模型，提供了中心气压和10 $m$高度处的最大1- $min$风速。轨迹和强度模型是耦合的，必须一起推进，每次六小时，因为在任何给定步骤中作为模型输入的特征取决于先前时间步骤的预测。一旦生成了合成风暴数据库，就可以从模拟域的任何部分提取感兴趣的属性，例如大风速的频率。轨迹和强度模型的耦合消除了对海岸线内陆强度衰减的需要。预测结果与历史数据进行了比较，并证明了三个例子：新奥尔良，迈阿密和哈特拉斯角的风暴模拟模型的有效性。
2022-08-12 cs.LG physics.ao-ph
Gray Swan Factory: Making Extreme Events from Ordinary Cyclones
University of Washington（华盛顿大学）；Interlake High School（因特拉帕高中）
本文提出通过梯度下降生成灰天鹅，即潜在但未观测到的极端事件，用于灾害研究和预测，但模型未解析飓风核心，影响未知。
2026-04-01 nlin.CD physics.ao-ph
Prediction of Bayesian Intervals for Tropical Storms
Ganzfried Research（甘兹弗里德研究所）
基于最近使用递归神经网络（RNNs）预测飓风轨迹的研究，我们已经开发了改进的方法，并推广了预测贝叶斯区间的方法，以及简单的点估计。热带风暴能够造成严重破坏，因此准确预测其轨迹可以为城市和生活带来重大利益，特别是当它们由于气候变化影响而变得更加强烈时。通过在RNN中使用dropout实现贝叶斯区间，我们提高了预测的可操作性，例如通过估计登陆地区的疏散区域。我们使用RNN以6小时为间隔预测风暴的轨迹。我们使用的纬度，经度，风速和压力的功能，从统计飓风强度预测计划（SHIPS）数据集的约500个热带风暴在大西洋。我们的研究结果显示了神经网络dropout值如何影响预测和间隔。
2020-03-10 cs.LG physics.ao-ph stat.AP
Variability of North Atlantic hurricanes: seasonal versus individual-event features
热带气旋受到大量气候因子的影响，这些因素转化为复杂的发生模式。热带气旋活动的年度指标的变化已经被深入研究，特别是自20世纪90年代中期北大西洋突然激活以来。我们首先提供了一个快速的概述不同作者以前的工作，这些年度指标的NAtl盆地，在自然变化的现象，存在的趋势，记录的缺点，以及全球变暖的影响一直是有趣的辩论的主题。接下来，我们提出了一种替代方法，该方法不关注季节特征，而是关注单个事件的特征[Corral et al Nature Phys 6，693，2010]。有人认为，个别风暴功率耗散指数（PDI）构成了一个自然的方式来描述每个事件，并进一步，PDI统计产生一个强大的规律，热带气旋的发生在幂律。在这方面，这些分布的拟合方法进行了讨论。作为这项工作的一个重要扩展，我们引入了一个分布函数，模型的整个范围内的PDI密度（不包括在最小值的不完整性的影响），伽玛分布，包括在一个幂律与指数衰减的尾巴。这种衰减的特征尺度，表示的截止参数，提供了非常有价值的信息的有限大小的盆地，通过最大值的PDIs，盆地可以维持。我们使用伽马拟合来评估海表面温度（SST）对极端PDI值发生的影响，我们发现，对于0.49 degC的SST平均差异，这些全流域事件的值增加了约50%。...
2012-10-03 cond-mat.stat-mech nlin.AO physics.ao-ph
Data-Based Models for Hurricane Evolution Prediction: A Deep Learning Approach
National Institute of Standards & Technology（美国国家标准与技术研究院）
需要从飓风形成开始就快速准确地预测飓风的演变，以减少生命损失，提高社区的复原力。在这项工作中，提出了一种新的模型开发方法预测风暴轨迹的基础上两类递归神经网络（RNNs）。RNN模型是根据美国国家飓风中心（NHC）维护的HURDAT2北大西洋飓风数据库中的输入特征进行训练的。这些模型使用风暴通过任何地点的概率，从历史数据计算。模型预测误差的详细分析表明，多对一预测模型的准确性低于多对多模型，由于复合误差积累，除了$6-hr$预测，这两种类型的模型执行的是并行的。对北大西洋盆地75个或更多风暴的测试表明，对于长达12小时的短期预报，本文提出的多对多RNN风暴轨迹预测模型比NHC使用的集合模型要快得多，同时导致相当程度的误差。
2021-10-30 cs.AI cs.LG physics.ao-ph
Hurricane Forecasting: A Novel Multimodal Machine Learning Framework
Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）
本文描述了一种新的机器学习（ML）框架，热带气旋强度和路径预测，结合多种ML技术，利用不同的数据源。我们的多模态框架称为Hurricast，通过使用深度学习编码器-解码器架构提取特征并使用梯度提升树进行预测，有效地将时空数据与统计数据相结合。我们评估了2016-2019年北大西洋和东太平洋盆地24小时提前期跟踪和强度预报的模型，并显示它们在几秒钟内计算时实现了与当前业务预报模型相当的平均绝对误差和技能。此外，将Hurricast纳入业务预报共识模型可以改善国家飓风中心的官方预报，从而突出了与现有方法的互补性。总之，我们的工作表明，利用机器学习技术结合不同的数据源可以为热带气旋预报带来新的机会。
2022-09-24 cs.AI cs.LG physics.ao-ph
Predicting Tropical Cyclone Track Forecast Errors using a Probabilistic Neural Network
Colorado State University（科罗拉多州立大学）；University of Minnesota（明尼苏达大学）；Cooperative Institute for Research in the Atmosphere（大气合作研究所）
本文提出用神经网络预测二元正态分布以动态估计热带气旋路径不确定性，实验表明其校准良好、优于NHC现有方法且接近全球集合预报系统，计算成本极低。
2025-03-12 cs.LG physics.ao-ph
