Zusammenfassung

Die Vorhersage tropischer Zyklonen wird in zunehmendem Maße von Ensemblevorhersagen beherrscht. Auf diese Weise wird versucht, die Initialisierungsungenauigkeit auszugleichen. Diese Arbeit untersucht die Möglichkeit der Zugbahnvorhersage von tropischen Zyklonen mit einem selbst-adaptierenden Analogmodell. Das Modell lernt selbständig, gemäß den gegebenen Modellparametern und der gewünschten Prognoseart ein Ensemble von optimalen historischen Analoga für die Vorhersage zu suchen. Anhand eines Datensatzes, der knapp 1000 Stürme aus dem West-Atlantik enthält, wird die Sensitivität auf einzelne Modellparameter getestet und der erzielte Großkreisfehler mit demjenigen des Regressionsmodells CLIPER verglichen. Das Analogmodell zeigt in der optimalen betrachteten Konfiguration zwar einen um durchgehend 3% bis 5% höheren Großkreisfehler, dafür wird die Verteilung der Ensemblemitglieder für eine Prognose des Vorhersagefehlers genutzt. Für den Datensatz des Ost-Pazifiks erzielt das Analogmodell dagegen sehr viel bessere Ergebnisse, hier wird über den Vorhersagezeitraum bis 72 Stunden eine Verbesserung von 15% bis 20% gegen das Regressionsmodell erreicht. Eine lineare Kombination aus den atlantischen Analog- und CLIPER-Vorhersagen bringt eine Verbesserung um mehr als 5% gegen CLIPER im Kurzfristbereich bis 12 Stunden.

Abstract

Ensemble methods have growing importance in tropical cyclone track forecasting. Thus, the influence of initial positioning errors should be repressed. In this work, the possibility of track prediction with a self adapting analog model is examined. The model learns independently to search for an ensemble of optimal historic analogues, subject to model parameters and elected kind of prediction. Sensitivity for single parameters is tested with respect to the Atlantic Basin Best Track Dataset, which contains nearly 1000 storm tracks. Though in best configuration the analog model has a great circle error that is a little higher (for 3% to 5%) than that of the regression model CLIPER which is available for control, the ensemble distribution is used for predicting the forecast error. For East-Pacific Basin verification up to 72 hours shows an approvement of 15% to 20% in proportion to the regression model. Linear combination of analog and CLIPER forecasts for Atlantic Basin brings about 5% and more improvement with respect to CLIPER up to 12 hours.