Les cyclones tropicaux (TC) sont des forces de la nature humiliantes et puissantes qui peuvent avoir des impacts énormes sur les personnes et les populations humaines. Les météorologues se sont efforcés d'améliorer les compétences de prévision de TC, en espérant sauver des vies. Au cours des dernières décennies, Les prévisions de trajectoire de TC sur l'ouest du Pacifique Nord (WNP) ont considérablement progressé. Cependant, Les prévisions d'intensité de TC se sont améliorées de manière insignifiante, avec un délai de 3 à 5 jours seulement. Par conséquent, l'amélioration des compétences de prévision de l'intensité de TC et l'allongement du délai de prévision sont des questions importantes et urgentes.

Pour résoudre ce problème critique, un groupe de recherche dirigé par le professeur Ruifen Zhan du Département des sciences atmosphériques et océaniques/Institut des sciences atmosphériques de l'Université de Fudan, avec le Shanghai Typhoon Institute of China Meteorological Administration, ont développé une nouvelle méthode de prévision qui fournit des prévisions d'intensité de TC plus précises. L'équipe vient de publier ses conclusions dans Avancées des sciences de l'atmosphère .

"Le nouveau schéma montre également le potentiel de prévision d'une intensification et d'un affaiblissement rapides de la CT, et pour étendre le délai de prévision actuel de 5 jours à 7 jours, " a déclaré le professeur Zhan.

Les développeurs ont basé la nouvelle approche sur l'équation de croissance logistique. Ils ont combiné la régression pas à pas (SWR), qui est essentiellement une méthode « essai-erreur » de test de variables, et des méthodes d'apprentissage automatique (LightGBM) utilisant des données observées et de réanalyse. Les résultats montrent que le nouveau schéma produit une erreur de prévision d'intensité TC beaucoup moins importante que la prévision d'intensité officielle de l'Administration météorologique chinoise, en particulier pour les TC qui ont eu un impact sur les régions côtières de l'Asie de l'Est. Les chercheurs ont également comparé les nouvelles données basées sur LightGBM avec les résultats obtenus à l'aide de la méthode basée sur le SWR. Le schéma basé sur LightGBM a systématiquement surpassé les processus conventionnels basés sur le SWR.

"Des travaux futurs pourraient être nécessaires pour surmonter le problème des échantillons insuffisants en combinant les méthodes d'apprentissage par transfert basées sur cette recherche, qui est la clé si le nouveau schéma peut être utilisé dans les prévisions opérationnelles. " a ajouté le professeur Zhiwei Wu, un co-auteur de l'étude.