Método de pronóstico a corto plazo basado en aprendizaje automático para niebla densa en la provincia de Anhui, China

Área de la Ciencia:

• Meteorología
• Ciencia Atmosférica
• Ciencia de Datos

Sus antecedentes:

• La niebla densa regional representa un riesgo significativo para la seguridad del transporte.
• El pronóstico preciso a corto plazo de la niebla densa es crucial para mitigar estos riesgos.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático para el pronóstico a corto plazo de niebla densa en la provincia de Anhui.
• Identificar los factores meteorológicos clave que influyen en la formación de niebla densa.

Principales métodos:

• Se utilizaron observaciones meteorológicas por hora y datos de reanálisis ERA5 (2011-2023).
• Se empleó la Función Ortogonal Empírica Rotada (REOF) para delinear siete zonas de niebla.
• Se desarrollaron y compararon cinco algoritmos de aprendizaje automático (Random Forest, Regresión Logística, K-NN, Gaussian Naive Bayes, Árbol de Decisión).

Principales resultados:

• La provincia de Anhui se dividió objetivamente en siete zonas de niebla distintas.
• Todos los modelos de aprendizaje automático probados mostraron habilidad de pronóstico.
• El modelo Random Forest (RF) logró la mayor Puntuación de Amenaza (TS) y precisión.
• Los predictores clave para RF incluyeron vapor de agua, termodinámica y efectos aguas arriba-aguas abajo.
• El modelo RF superó a ECMWF y SCMOC en TS y tasas de falsas alarmas.

Conclusiones:

• El modelo RF es un método preferido para el pronóstico a corto plazo de niebla densa en Anhui.
• La zonificación objetiva utilizando REOF mejora las capacidades de pronóstico regional.
• El modelo RF demuestra un rendimiento superior en comparación con los productos operativos existentes.