机构名称：
¥ 2.0
摘要：预报通常会在模型预测中校准其信心。合奏固有地估计预测信心，但通常是不足的，整体扩散与集合均值误差并不密切相关。合奏传播与技能之间的错位激发了“预测预测技能”的新方法，以便预测者可以更好地利用集合指导。我们已经训练了逻辑回归和随机森林模型，以预测NSSL WARN-FORECAST系统（WOFS）的复合反射性预测的技能，这是一个3公里的合奏，可快速更新预测指南，以预测0-6小时。预测技能预测在分析时间在观察到的风暴位置确定的量化区域内的1-，2或3小时提前时间有效。我们使用WOFS分析和预测输出以及NSSL多雷达/多传感器复合反射性，从2017年到2021年的106例NOAA危险天气测试床春季预测实验。我们将预测任务框架为多类问题，在该问题中，预测技能标签是通过平均为多个反射性阈值和验证范围的延长分数技能得分（EFSS）来确定的20％）。初始机器学习（ML）模型对323个预测变量进行了培训；最终模型中的10或15个预测变量只会降低技能。最终模型基本上优于精心开发的持久性和基于传播的模型，并且可以合理地解释。结果表明，ML可以成为指导用户对对流（和更大尺度）合奏预测的有价值的工具。
使用NSSL警告搜索的评估-AMS期刊
主要关键词
相关文件推荐
