Year-ahead Prediction of Hurricane Season Sea Surface Temperature in the Tropical Atlantic
一种可能的方法是提前一年预测海表温度（SST），然后应用SST与飓风数量之间的关系。作为建立这样一个系统的第一步，本文比较了三种简单的统计方法，用于预测相关的SST。
2006-06-21 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
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
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
Anomalous Gulf Heating and Hurricane Katrinas Rapid Intensification
温室气体浓度增加导致的全球变暖已成为一个令人严重关切的问题，并与海洋表面温度升高导致的飓风活动增加有关，但观点不一。我们基于海面温度长期趋势的观测结果显示，与往年相比，2005年8月在墨西哥湾的异常达到创纪录的0.8 ℃，这可能是造成破坏性飓风卡特里娜升级为5级飓风的原因，该飓风袭击了美国南部海岸，严重影响了低洼城市新奥尔良及其周边地区地区在大多数增强风暴，海气相互作用是主要的贡献因素，在这里，我们显示如何海气相互作用可能会影响卡特里娜飓风在海湾地区的快速增强。
2005-09-21 physics.ao-ph
Drag coefficient for the air-sea exchange: foam impact in hurricane conditions
本文提出了一个物理模型，用以估算泡沫对有效拖曳系数C_d变化的影响，并以风暴和飓风条件下的风速U_（10）为参考。在本模式中，C_d是通过将海面划分为有泡沫覆盖区和无泡沫区来近似的。根据现有的光学和辐射测量的泡沫覆盖率和泡沫覆盖饱和极限下的海面特征粗糙度，该模型得到了C_d与U_（10）的关系。这种依赖性与从平均风速的垂直变化的现场测量评估的结果相当一致。
2014-10-04 physics.ao-ph
Drag coefficient for the air-sea exchange in hurricane conditions
本文提出了一个预测拖曳系数C_d随风速非单调变化的物理模型。该模型通过对无泡沫和泡沫完全覆盖部分的不同拖曳系数进行面积加权平均来近似计算有效C_d，并通过泡沫气泡尺寸来识别泡沫完全覆盖部分的粗糙度。基于泡沫覆盖率和泡沫气泡尺寸的可用光学和辐射测量，本模型产生的有效C_d与平均风速垂直变化的现场测量结果相当一致（Powell等人，2003年），这表明随着风速上升到飓风条件，C_d减小。目前的方法开辟了新的机会，在飓风条件下的拖曳系数建模，使用辐射测量，而不是直接的风速测量。
2014-01-08 physics.ao-ph
A retrospective on the 2025 Atlantic hurricane season
ICCS & DAMTP, University of Cambridge（剑桥大学计算科学系与理论物理系）
本文回顾2025年大西洋飓风季节的活动情况，分析气候因素对飓风形成的影响，指出尽管海水温度高且处于La Nina阶段，但总体活动接近平均水平。
2026-04-20 physics.ao-ph
A simple model for predicting the hurricane radius of maximum wind from outer size
飓风的最大风速半径（$R_{max}$）决定了灾害的影响范围，特别是破坏性的风和降雨。然而，$R_{max}$是嘈杂的直接观察，并在再分析和气候模式解决不好。相比之下，外部风半径对这些问题的敏感性要小得多。在这里，我们提出了一个简单的经验模型预测$R_{max}$从半径34千吨风（$R_{17.5ms}$），只需要作为输入量，通常估计业务：最大风速，$R_{17.5ms}$和纬度。经验模型的形式利用了我们对飓风径向结构的物理理解，并在北大西洋的扩展最佳路径数据库上进行了训练; TC-OBS数据库的结果类似。物理学将两个半径之间的关系简化为对两个物理参数的依赖，而观测数据则可以对这些参数的定量依赖进行最佳估计。该模型的性能大大优于现有的操作方法估计$R_{max}$。该模型再现了观测到的$R_{max}$随纬度的统计增加，并表明这种增加是由$R_{17.5ms}$随纬度的增加驱动的。总的来说，该模型提供了一个简单而快速的一阶预测$R_{max}$，可用于操作和风险模型。
2021-06-21 physics.ao-ph physics.data-an
Correlation between Foam-Bubble Size and Drag Coefficient in Hurricane Conditions
最近提出的泡沫对海-气拖曳系数Cd影响的模型已被用于估算飓风条件下有效泡沫-气泡半径Rb随风速U 10的变化。该模型将Cd（U10）与有效粗糙度长度Zeff（U10）相关联，有效粗糙度长度Zeff（U10）表示为无泡沫和泡沫覆盖海面的空气动力学粗糙度长度Zw（U10）和Zf（U10）之和，Zf（U10）用泡沫覆盖系数加权。这种关系被视为已知的现象分布Cd（U10），Zw（U10）在强风速作为反问题的有效粗糙度参数的泡沫覆盖的海面Zf（U10）。
2017-12-03 physics.ao-ph
An explanation for the lack of trend in the hurricane frequency
通过比较暖池面积的季节变化和热带气旋数量的季节变化，验证了热带气旋生成随暖池面积（26 C SST等温线所包围的面积）增大而增大的命题。在面积和旋风数目之间发现了一种具有高度统计意义的非线性关系，这可以解释为什么旋风数目在一段时间内没有线性趋势，以及大西洋飓风数目最近有所增加。
2006-03-23 physics.ao-ph
Generation of intermediately-long sea waves by weakly sheared winds
本文研究了在飓风条件下，风廓线作用下海浪不稳定性的数值模拟。该研究的中心点是计算波的增长率，这是成比例的分数输入能量从弱剪切（对数）风的波随时间呈指数变化。结果表明，在飓风条件下，基于Charnock公式和标准常系数的Miles型稳定性模型，与采用飓风风实验数据粗糙度的模型相比，低估了增长率~5 ~ 50倍。在飓风条件下，随着风速的减阻与无量纲重力加速度的类似行为相结合，导致最大增长率的最小值和最不稳定波长的最大值。
2010-12-12 physics.ao-ph
Generation of intermediately-long sea waves by weakly sheared winds
本文研究了在飓风条件下，风廓线作用下海浪不稳定性的数值模拟。该研究的中心点是计算波的增长率，这是成比例的分数输入能量从弱剪切（对数）风的波随时间呈指数变化。结果表明，在飓风条件下，基于Charnock公式和标准常系数的Miles型稳定性模型，与采用飓风风实验数据粗糙度的模型相比，低估了增长率~5 ~ 50倍。在飓风条件下，随着风速的减阻与无量纲重力加速度的类似行为相结合，导致最大增长率的最小值和最不稳定波长的最大值。
2011-03-11 physics.ao-ph
Five year ahead prediction of Sea Surface Temperature in the Tropical Atlantic: a comparison between IPCC climate models and simple statistical methods
北半球夏季热带大西洋海面温度与每年飓风数量之间存在明显的正相关关系。这激发了试图预测海面温度的想法，以便能够预测未来的飓风活动。在以前的工作中，我们已经使用简单的统计方法，使5年的热带大西洋海面温度预测为此目的。我们现在将这些统计SST预测与IPCC气候模式的集合平均SST预测进行比较。
2007-01-15 physics.ao-ph
Five year prediction of Sea Surface Temperature in the Tropical Atlantic: a comparison of simple statistical methods
我们正在开发的方案，预测未来的飓风数量，首先预测未来的海面温度（SST），然后应用观察到的SST和飓风数量之间的统计关系。作为这一总体目标的一部分，在这项研究中，我们比较了三个简单的统计方法，使五年SST预测的历史表现。我们还提出了2006-2010年的SST预测使用这些方法，并比较它们从两个结构时间序列模型的预测。
2007-01-15 physics.ao-ph
A Universal Hurricane Frequency Function
有证据表明，热带飓风的全球分布主要是由一个单一变量z的通用函数H决定的，该函数又可以用当地海面温度和纬度表示。这里提出的数据驱动模型对飓风数量的大量增加产生了明显的影响，它预测了一个更温暖的世界。此外，近几十年来大西洋飓风数量的增加，而不是太平洋盆地的飓风数量的增加，可以用H（z）的具体形式来简单解释，当海平面温度在较高纬度和较低温度下出现固定增加时，H（z）产生较大的百分比增加。
2010-02-17 physics.ao-ph physics.data-an
Combination of Lidar Elevations, Bathymetric Data, and Urban Infrastructure in a Sub-Grid Model for Predicting Inundation in New York City during Hurricane Sandy
我们提出的地理空间方法结合新开发的风暴潮和子网格淹没模型，在纽约市在2012年飓风桑迪期间应用的结果。子网格建模采用了一种新的方法，在网格单元内的部分润湿和干燥，避免了传统的流体动力学建模方法，嵌套一个子网格包含高分辨率的激光雷达地形和精细尺度测深在每个计算网格单元。在这样做时，子网格建模方法在很大程度上依赖于由DEM提供的建筑物和街道配置。子网格模型和FEMA在纽约市的最大淹没范围之间的空间比较的结果产生了无与伦比的绝对平均距离差为38米，平均75%的面积空间匹配。深入的误差分析表明，建模的程度轮廓是很好的相关性与FEMA程度轮廓在大多数地区，除了在几个不同的地区，在特殊功能的差异导致显着的去相关两个轮廓之间。这些错误的例子被发现主要是由于缺乏在新泽西州地区的模型网格，闭塞的高速公路地下通道人为地阻止流体流动，DEM源模型和FEMA之间的差异的建筑物表示。这些城市基础设施功能的准确表示是至关重要的，在子网格建模，因为它独特地影响通过每个网格单元侧的流体通量，这最终决定了水深和范围内的洪水通过每个网格单元内的水量分布。将建筑物和高速公路地下通道纳入模型中，可以将总体绝对平均距离误差指标从38米提高到32米，并将区域比较从75%的空间匹配提高到80%，而只需最少的额外工作。
2014-12-02 physics.ao-ph physics.geo-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
Modeling of the drag and thermal conductivity coefficients in tropical cyclones taking into account foam cover
本文提出了一种计算飓风条件下动量和焓表面传递系数C_D和C_K在海气界面上的平均方法。这就导致了将整个海面上的传递系数C_（D，K）分解为它们在无泡沫区C_（D，Kw）和有泡沫区C_（D，Kf）上的部分值之和，再用泡沫覆盖系数αf和水覆盖系数1-αf加权。通过实验室条件下的测量，分别估算了在外海和实验室条件下的传递系数C_（D，K）和C_（D，Kw），而通过泡沫覆盖部分的传递系数C_（D，Kf），由于不能直接测量，则由分裂关系式估算。在中性稳定度大气条件下，将Monin-Obukhov相似理论应用于无泡沫、有泡沫和全海面的传递系数，得到粗糙度长度Z_（D，Kw），Z_（D，Kf），Z_（D，K）。研究的目的是解释在飓风条件下，由于大气和海洋之间的泡沫滑动层的影响，动量和焓传递系数C_D和C_K在风速U10下的异常行为。
2019-11-04 physics.ao-ph
Hurricane's maximum potential intensity and surface heat fluxes
伊曼纽尔的最大潜在强度（E-PI）概念将热带风暴的最大速度$V_{\rm max}$（假设处于梯度风平衡）与环境参数联系起来。几项研究表明，不平衡的流量是负责E-PI有时显着低估$V_{\rm max}$。此外，两个主要的修改产生了相当大的范围内的E-PI预测：耗散加热和功率消耗提升水分别建议增加和减少E-PI $V_{\rm max}$约20%。在这里，我们重新推导E-PI的概念，分离其动力学和热力学的假设和解除梯度风平衡的限制。我们的分析表明，平衡和径向不平衡流的E-PI公式是相似的，而系统低估的$V_{\rm max}$反映了几个E-PI假设之间的不兼容性。我们将讨论如何修改这些假设。我们进一步表明，无论是否发生耗散加热，E-PI唯一的$V_{\rm max}$的潜热通量（而不是原来提出的总海洋热通量）。我们澄清，与以前的建议相反，提水对E-PI的影响很小。我们证明了在E-PI中，高层大气中压力梯度的负功消耗了边界层中产生的所有动能。这个关键的动态约束是独立于其他E-PI假设，因此可以适用于不同的流通模式。最后，我们表明，每单位体积的E-PI最大动能等于当地的水蒸气分压，并讨论了预测$V_{\rm max}$这一发现的影响。
2019-11-18 physics.ao-ph physics.flu-dyn
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
Predicting Atlantic Multidecadal Variability
MIT（麻省理工学院）；WHOI（伍兹霍尔海洋研究所）
大西洋年代际变率（AMV）描述了北大西洋海表温度的变化，其典型周期为60 - 70年。AMV对北美和欧洲的局地气候有很强的影响，因此AMV的预测，特别是极端值的预测，对于认识和应对区域气候变化具有重要的社会意义。这项工作测试了多个机器学习模型，以改善北大西洋地区海表面温度、盐度和海平面压力地图的AMV预测状态。我们使用的数据来自社区地球系统模型1大型Ensemble项目，这是一个拥有3，440年数据的最先进的气候模型。我们的研究结果表明，我们使用的所有模型都优于传统的持续性预测基线。预测AMV对于提前25年确定欧洲和北美未来的极端温度和降水以及飓风活动非常重要。
2021-10-29 cs.CV cs.LG physics.ao-ph
Assessing the potential of state-of-the-art machine learning and physics-informed machine learning in predicting sea surface temperature
本研究针对大气和海洋过程建模，通过基准测试机器学习（ML）与物理信息机器学习（PINN）模型，利用网格化海表温度数据及六种大气预测因子捕捉时空模式，评估其在中短期海表温度预测中的潜力。
2024-11-28 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
Revised Estimates of Ocean Surface Drag in Strong Winds
海-气阻力控制着大气和海洋之间的动量传递，在飓风中仍然是未知的。我们在实验室中重新使用动量收支和涡动协方差方法来估算表面拖曳系数。我们的阻力估计与低到中等风的实地测量结果一致，并且与以前的飓风强度风的实验室测量结果一致。拖曳系数在$2.6 \times 10^{-3}$和$U_{10} \approx 25\ m\ s^{-1}$处饱和，与Takagaki等人（2012）之前的实验室结果一致。在我们的分析过程中，我们发现了Donelan等人（2004）使用的原始源代码中的一个错误。我们提出了校正的数据，并描述了校正程序。虽然对数据的修正没有改变强风中阻力饱和的关键发现，但其大小和风速阈值发生了显著变化。我们的研究结果强调需要一个更新和统一的阻力参数化的基础上，现场和实验室数据。
2020-09-11 physics.ao-ph physics.flu-dyn
Predicting regional and pan-Arctic sea ice anomalies with kernel analog forecasting
预测北极海冰的范围是一个众所周知的困难预测问题，即使提前时间短至一个月。受北极海表温度重现和海冰异常等年内变率现象的启发，我们使用了一种基于相似预报的海冰异常预报方法。传统的模拟预测依赖于识别历史记录中的单个模拟，通常通过最小化欧几里得距离，并根据模拟的历史轨迹形成预测。在这里，一个合奏的类似物被用来进行预测，其中合奏权重是由一个动态适应的相似性内核，它考虑到了底层数据流形上的非线性几何形状。我们应用这种方法来预测泛北极和区域海冰面积和体积异常的多世纪气候模式数据，并在许多情况下发现改进的基准阻尼持久性预测。成功的例子包括泛北极地区3- 6个月的提前期预测、部分边缘冰区海洋的冬季海冰面积预测以及许多北极中部盆地的海冰体积异常3- 12个月的提前期预测。我们讨论了KAF的成功和海冰重现之间可能存在的联系，并发现KAF是成功的地区和季节表现出较高的年际变化。
2018-09-12 physics.ao-ph physics.data-an
A Comparison of Machine Learning Algorithms for Predicting Sea Surface Temperature in the Great Barrier Reef Region
University of Cincinnati（辛辛那提大学）
本研究比较了岭回归、LASSO、随机森林和XGBoost在大堡礁海表温度预测中的表现，发现XGBoost在预测精度和概率分布匹配上最优，证明集成方法在该任务中具有显著优势。
2024-11-20 cs.LG physics.ao-ph stat.ML
