臺風是影響我國沿海地區的重要天氣系統之一，臺風登陸前後的狂風♿️、暴雨和風暴潮會造成嚴重的社會、經濟損失🪿。提高我國對臺風災害的預報預警水平，減輕臺風災害造成的各項損失一直是防災減災的重點所在🎈。過去幾十年🧙🏻‍♂️🦻🏽，西北太平洋臺風路徑預報水平已經取得了顯著進步，但是強度預報水平的進展相當緩慢，而預報時效也僅為3-5天🚵🏻。因此，如何提高臺風強度預報水平、延長預報時效成為了當前臺風研究中亟需解決的重要問題。

圍繞上述問題🍈，沐鸣2平台大氣科學海洋科學系/大氣科學研究院的周彥辰碩士📡、占瑞芬研究員（通訊作者）和吳誌偉教授等與中國氣象局上海臺風研究所合作🪫，利用觀測和再分析數據集，基於邏輯生長方程🧖‍♀️，分別使用逐步回歸和機器學習方法(LightGBM)建立了西北太平洋臺風強度7天預報模型🌍。對2015-17年間80個臺風的獨立預報進行評估，結果表明：新模型的預報誤差小於中央氣象臺的官方強度預報誤差（圖1）🥮，特別是在東亞沿海地區🥫，新模型顯示了更好的預報潛能（圖2）；與傳統的逐步回歸方法相比，基於機器學習的模型對臺風強度的預報性能更優（圖1）。該模型還表現出對臺風快速增強和快速減弱過程的預報潛力，具有較好的業務應用前景。

在本研究的基礎上，如何進一步結合機器學習中的遷移學習方法克服樣本偏少的問題☂️，是模型能否用於實際業務中的關鍵，這將是下一步工作的重點。

該研究於2021年發表於《Advances in Atmospheric Sciences》，並受編輯推薦至美國科學促進會旗下的EurekAlert科學新聞發布平臺推介👨🏼‍⚕️。

Zhou, Y. C., J. W. Zhao, R. F. Zhan*, P. Y. Chen, Z. W. Wu, and L. Wang, 2021: A logistic-growth-equation-based intensity prediction scheme for western North Pacific tropical cyclones. Adv. Atmos. Sci., https://doi.org/10.1007/s00376-021-0435-1

圖1 基於2015-17年西北太平洋海域80個臺風個例的臺風強度預報均方根誤差（RMSE）。SWR🌂：使用逐步回歸建模的邏輯生長模型（LGEM）；LightGBM：使用機器學習方法建模的LGEM；CMA0️⃣：中央氣象臺的官方強度預報。

圖2 中央氣象臺主觀預報與LGEM模型在不同預報時效的預報誤差差異的空間分布👳🏻‍♀️🧵。（a）24-h，（b）48-h，（c）72-h，（d）96-h和（e）120-h