AI驱动的极端阵风集合预报：随机森林建模与西地中海案例研究

AI驱动的极端阵风集合预报：随机森林建模与西地中海案例研究

新研究发表于《Big Earth Data》：该研究开发了一个随机森林（RF）随机分类器，用于预测西地中海沿岸极端阵风（WG）事件。通过整合多个高度层上的即时气象变量及其后向24小时均值，模型能够同时捕捉短期演变过程和瞬时大气强迫。结果表明，该方法具有较高的预报精度、较低的误报率以及可靠的不确定性估计，同时识别出气压趋势和湿度是主要预报因子，凸显了该框架在早期预警系统、气候韧性与灾害风险管理中的应用潜力。

• UERRA再分析数据可从哥白尼气候数据存储平台下载： https://cds.climate.copernicus.eu/。
• 支持本研究发现的补充材料可在公开的GitHub仓库获取： https://github.com/AI4OCEANS/。

引用信息

Guerrero-Navarro, G. H., Martinez-Amaya, J., & Nieves, V. (2025). AI-driven ensemble forecasting of extreme wind gusts: Random Forest modeling and case studies from the western Mediterranean. Big Earth Data, 1–20. https://doi.org/10.1080/20964471.2025.2593745

摘要

极端阵风（WG）的预报具有挑战性，因为其驱动过程演化迅速且呈非线性。我们定制了一个随机森林（RF）随机分类器，用于预测西地中海沿岸极端阵风事件的发生，并对触发阵风增强的气象因子进行排序。本研究的独特之处在于：每个大气变量——气压、湿度、风向和温度——均以两种形式输入模型，即瞬时值及其后向24小时均值，这使得随机森林能够在单一步骤中同时学习瞬时强迫和短期演变。这些双重时间尺度的预测因子在11个高度层（15–500米）上进行了评估，但仅在单一高度（15米）上使用的模型已表现出稳健的性能。局部和区域模型在所有预见期上的平均精度达到85%，在48小时预报时效上仍保持约80%的精度，误报率低于20%，且概率可靠性校准良好。模型集合的内部离散度提供了预报不确定性的初步度量，使该框架具有面向风险的特点，可直接用于早期预警预报工作流程，为民防机构和区域适应规划提供直接价值。变量重要性分析表明，气压变化趋势和湿度是主要的早期预警指标。该框架轻量化、可解释且数据高效，易于推广到其他多风地区——前提是具有当地数据并进行验证——从而增强气候韧性和灾害风险管理。

《Big Earth Data》期刊介绍

《Big Earth Data》是一本跨学科的开放获取期刊，旨在为地球相关大数据的共享、处理和分析提供高效优质的平台，从而推动对地球系统的认知革新。本刊发表多种类型的内容，包括研究论文、综述文章、数据论文、技术说明和观点文章。目前已被ESCI（影响因子3.8，Q1区）、Scopus（CiteScore=9.0，Q1区）、Ei Compendex、GEOBASE和Inspec收录。自2023年起，《Big Earth Data》设立了新的作者奖项：最佳论文奖和杰出论文奖。

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。