Abstract:
Die zerstörerischen Winde, sintflutartigen Regenfälle und Sturmfluten, die mit tropischen Wirbelstürmen (TCs) einhergehen, fordern häufig zahlreiche Todesopfer und verursachen großflächige und kostenintensive Schäden. Die Planung von Evakuierungen und Vorsichtsmaßnahmen erfordert genaue Vorhersagen der TC-Aktivität mit einer möglichst großen Vorlaufzeit. Vergangene Bemühungen haben zumeist darauf abgezielt entweder einzelne TCs mit einer Vorlaufzeit von mehreren Tagen oder die Aktivität einer ganzen Saison vorherzusagen. Diese Trennung ist in erster Linie auf die subsaisonale Vorhersagbarkeitslücke (mehr als 2 Wochen aber weniger als 3 Monate) zurückzuführen, und spiegelt sich auch in der Tatsache wider, dass für jeden der beiden Vorhersagebereiche vorwiegend unterschiedliche Modellierungsansätze zur Anwendung kommen. ... mehrMittelfristige Vorhersagen (bis zu 2 Wochen) basieren in hohem Maße auf numerischen Wettervorhersagemodellen (NWP-Modell; auch als 'dynamisches Modell' bezeichnet), während statistische Modelle in der Regel für saisonale Vorhersagen (3-6 Monate) trainiert werden. Während frühere Forschung zur sub-saisonalen TC-Aktivität sich überweigend entweder auf die Validierung von NWP-Modellen oder auf die Entwicklung statistischer
Modelle, trainiert auf vergangenen Daten, konzentriert hat, kombiniert die vorliegende Arbeit beide Ansätze zu einem statistisch-dynamischen (oder hybriden) Modell für probabilistische Vorhersagen im nordatlantischen Ozean. Diese Dissertation zielt darauf ab, NWP-basierte Prädiktoren, die für die Vorhersage subsaisonaler TC-Aktivität relevant sind, zu identifizieren und zu bewerten, ein statistisch-dynamisches Vorhersagemodell zu entwickeln und zu validieren und dessen Vorhersageleistung systematisch mit einer Vielzahl von unterschiedlichen Vorhersageansätzen zu vergleichen.
Obwohl es modernen NWP-Modellen nachweislich an der Fähigkeit zur Vorhersage subsaisonaler, wöchentlicher TC-Aktivität mangelt, könnten sie in der Lage sein die Umgebungsbedingungen ausreichend gut vorherzusagen, um daraus Prädiktoren für ein statistisches Modell zu erzeugen. Daher wird auf Grundlage einer Literaturrecherche und physikalischen Überlegungen ein umfangreicher Satz and Prädiktoren generiert, welcher Prädiktorgruppen umfasst, die klimatologische und saisonale Informationen, ozeanische und tropische Bedingungen, tropische Wellenmoden sowie außertropische Einflüsse repräsentieren. Die Annahme, dass diese Prädiktoren für subsaisonale Vorlaufzeiten nutzbare Vorhersagefähigkeiten aufweisen, wird als zutreffend erachtet, da für jeden Prädiktor der Vorhersagewoche vier signifikante Korrelationen mit dem Auftreten von TCs zwischen 0.1 und 0.5 zu finden sind.
Ein statistisch-dynamisches (oder Hybrid-) Modell wird für die Vorhersage der Auftretenswahrscheinlichkeit von TCs sowie für die Accumulated Cyclone Energy (ACE) mit Vorlaufzeiten bis zur Woche fünf entwickelt, wobei eine logistische Regression bzw. ein zweiteiliges Modell verwendet wird. Um Unterschiede zwischen den Teilregionen vergleichen zu können, werden separate Modelle für den Golf von Mexiko bzw. die zentrale Main Development Region (MDR) trainiert und validiert. Für jede Vorhersagewoche und Teilregion wählt ein automatisiertes Verfahren lediglich die relevanten Prädiktoren aus dem Prädiktorenpool aus, bevor die statistische Modellkomponente im Vorhersagemodus auf jeden einzelnen Gitterpunkt separat angewendet wird. Obwohl eine Regularisierung vorgenommen wird, um eine Über- oder Unteranpassung des Modells zu verhindern, werden dennoch die meisten Prädiktoren während dieses Verfahrens ausgewählt, was deren Nützlichkeit für den hybriden Ansatz belegt. Eine Vielfalt an originären und weiterverbesserten Modellen, darunter klimatologische Modelle, rein dynamische Modelle und rein statistische Modelle, bieten eine umfassende Auswahl an Benchmarks. Neben dem Zweck, einen starken und somit fairen Wettbewerb während der Modellvalidierung zu ermöglichen, erlaubt dies auch die Bewertung der Vorhersageleistung einer Hierarchie an Modellierungsansätzen.
Diese Vielfalt an Modellen wird systematisch für Vorhersagen in den Teilregionen
Golf von Mexiko bzw. zentrale MDR über den Zeitraum 1979–2018 kreuzvalidiert.
Die Verifikation der probabilistischen Vorhersagen kombiniert etablierte Methoden mit neu entwickelten Techniken, um die Kalibrierung der Modelle und ihre potenzielle und tatsächliche Vorhersagefähigkeit auszuwerten, sowie die langfristig zu erwartenden Kosten für einen Nutzer abzuschätzen, der auf Grundlage des jeweiligen Modelles Maßnahmen ergreifen würde. Es zeigt sich, dass die klimatologischen und NWP-basierten Modelle beide Zielvariablen systematisch unterschätzen, was im letzteren Fall an Modelltyp durch statistisches Postprocessing korrigiert werden kann. Im Gegensatz dazu liefern die rein statistischen und die statistisch-dynamischen Modelle insgesamt gut kalibrierte Vorhersagen. Die NWP-Modelle schneiden in der ersten Woche am besten ab, verlieren aber innerhalb der ersten zwei Wochen schnell ihre Vorhersagefähigkeit, da die chaotische Natur der Atmosphäre die in den Anfangsbedingungen enthaltenen wertvollen Informationen unscharf werden lässt. Selbst im Falle einer Rekalibrierung werden die NWP-Modelle von den klimatologischen Modellen für subsaisonale Vorlaufzeiten übertroffen. Saisonale Schwankungen, die sich in einem klimatologischen Modell widerspiegeln, sind besonders in der zentralen MDR nützlich, die einem ausgeprägteren saisonalen Zyklus unterliegt. Im Gegensatz dazu scheint sich eine Optimierung, wie viele Informationen von benachbarten Tagen im Jahr verwendet werden, um eine probabilistische klimatologische Verteilung zu erstellen, im Golf von Mexiko am meisten auszuzahlen, da mehr Instanzen erforderlich sind, um eine robuste Verteilung zu erhalten. Die rein statistischen Modelle erhöhen die Vorhersagefähigkeit gegenüber den klimatologischen Modellen nur geringfügig, was darauf hindeutet, dass Informationen aus der Vergangenheit nicht viel an nutzbarer Vorhersagefähigkeit enthalten. Der statistisch-dynamische Ansatz erzielt erhebliche Verbesserungen bei der Vorhersage des Auftretens von TCs bis zur Woche fünf für beide Teilregionen. Der überwiegende Teil der zusätzlichen subsaisonalen Fähigkeit des Hybridmodells im Vergleich zum klimatologischen Modell kann den tropischen Bedingungen im Golf von Mexiko bzw. den ozeanischen Bedinungen in der zentralen MDR zugeschrieben werden. Die Vorhersageverbesserungen für die Verteilung von ACE sind qualitativ ähnlich, verschwinden aber nach der dritten Woche im Golf von Mexiko. Das Training des ACE-Modells unter Zurückhaltung des klimatologischen Basisprädiktors zeigt, dass der Auftretensfaktor von wesentlich größerer Bedeutung ist als der Intensitätsfaktor. Die Anwendung eines Kosten-Verlust-Entscheidungsmodells auf die Vorhersagen des Auftretens von TCs deutet weitgehend darauf hin, dass, zur Senkung der wirtschaftlichen Gesamtkosten, die wertvollsten Informationen
das NWP-Modell für den mittelfristigen und das statistisch-dynamische Modell
für den subsaisonalen Bereich liefert.
Abstract (englisch):
The devastating winds, torrential rainfalls, and storm surges associated with tropical cyclones (TCs) frequently claim numerous fatalities and inflict extensive and costly damages. Planning evacuations and taking precautionary measures requires accurate forecasts of TC activity with as much lead time as possible. Past efforts have mostly focused on predicting either individual TCs several days ahead or the activity of an entire season. This separation is primarily due to the subseasonal predictability gap (beyond 2 weeks but less than 3 months), and is also reflected in the fact that different modeling approaches are predominantly used for each of the two forecast ranges. ... mehrMedium-range predictions (up to 2 weeks) are heavily based on numerical weather prediction (NWP; also referred to as ’dynamical’) models, whereas statistical models are usually trained to issue seasonal (3-6 months) outlooks. While previous research on subseasonal TC activity has mostly focused on either the validation of NWP models, or the development of statistical models trained on past data, the present thesis combines both approaches to a statistical-dynamical (or 'hybrid') model for probabilistic forecasts in the North Atlantic basin. This dissertation aims to identify and examine NWP-based predictors relevant for subseasonal TC activity forecasting, to develop and validate a statistical-dynamical forecasting model, and to systematically compare its predictive performance with a variety of distinct forecasting approaches.
Although state-of-the-art NWP models were shown to lack predictive skill with regard to subseasonal weekly TC activity, they may predict the environmental conditions sufficiently well to generate predictors for a statistical model. Therefore, based on a literature review and physical considerations, an extensive predictor set is generated including predictor groups representing climatological and seasonal information, oceanic, and tropical conditions, tropical wave modes, as well as extratropical influences. The assumption that these predictors provide exploitable predictive skill at subseasonal lead times is considered to be valid, as for each week-four predictor significant correlations with TC occurrence are found between 0.1 and 0.5.
A statistical-dynamical (or hybrid) model is developed for predicting TC occurrence probability and the predictive distribution of accumulated cyclone energy (ACE) for lead times up to week five, using logistic regression and a two-part model, respectively. To contrast differences between subregions, separate models are trained and validated for the Gulf of Mexico and the central Main Development Region (MDR), respectively. For each forecast week and subregion, an automated procedure selects only relevant predictors from the predictor pool, before the statistical model component is applied in forecast mode at every grid point separately. Even though regularisation is imposed to prevent the model from over- and underfitting, most predictors are still selected during this procedure, attesting their utility for the hybrid approach. A variety of original and optimized models, including climatological models, purely dynamical models, and purely statistical models provide a comprehensive set of benchmarks. Beyond the purpose of facilitating a strong and thus honest competition for model validation, it also allows to assess predictive performance for a hierarchy of modelling approaches.
This variety of models is systematically cross-validated on the 1979-2018 period
for predictions in the Gulf of Mexico and central MDR subregions, respectively. The verification of probabilistic forecasts combines established tools with newly developed techniques to assess the calibration of models, their potential and actual predictive skills, and the expected long-term costs for a user when taking action based on each model. The climatological and NWP-based models are found to systematically underforecast both target variables, which can be corrected in the latter case of model type by statistical post-processing. In contrast, the purely statistical and the statistical-dynamical models produce overall well calibrated forecasts. The NWP models perform best at week one but quickly lose skill within the first two weeks due to the chaotic nature of the atmosphere blurring the valuable information contained in the initial conditions. Even in case of recalibration, the NWP models are outperformed by the climatological models on subseasonal lead times. Seasonal variations reflected in a climatological model are particularly useful in the central MDR, which is subject to a more pronounced seasonal cycle. In contrast, an optimization of how much information from adjacent days in the year is used to compile a probabilistic climatological distribution seems to pay off most in the Gulf of Mexico, because more instances are required to obtain a robust distribution. The purely statistical models increase skill over the climatological models only slightly, suggesting that past information does not contain much of exploitable predictive skill. The statistical-dynamical approach achieves considerable skill improvements in predicting TC occurrence up to week five for both subregions. The vast majority of the additional subseasonal skill in the hybrid model, relative to the climatological model, can be attributed to the tropical conditions in the Gulf of Mexico, and to the oceanic conditions in the central MDR. For the predictive distribution of ACE, skill improvements are qualitatively similar but disappear beyond week three in the Gulf of Mexico. Training the ACE model while withholding the climatological base predictor demonstrates the occurrence factor to be of much greater importance than the intensity factor. Applying a cost-loss decision model to the TC occurrence predictions broadly suggests that, to
reduce overall economic costs, the most valuable information is provided by the NWP model on the medium range, and by the statistical-dynamical model on the subseasonal range.
