Identification of thunderstorm occurrence in convection-permitting ensemble forecasts using deep neural networks

Kurzfassung

Gewitter stellen ein erhebliches gesellschaftliches und wirtschaftliches Risiko dar, doch ihre Vorhersage bleibt herausfordernd, unter anderem aufgrund des Fehlens einer direkten Gewitterindikatorvariablen in numerischen Wettervorhersagemodellen (NWP). Traditionell werden abstrakte Ersatzgrößen wie Niederschlagsraten herangezogen. In dieser Arbeit wird jedoch ein Modell tiefer neuronaler Netze vorgestellt, das stattdessen direkt aus den Rohdaten der vertikalen Profile der NWP-Zustandsvariablen lernt. Darüber hinaus ermöglichen physikalische Überlegungen und Symmetrieprinzipien eine Einschränkung der Modellkomplexität. Es wird gezeigt, dass das Modell ein Basismodell, das auf traditionellen Ersatzvariablen für Gewitter beruht, übertrifft. Dies verdeutlicht die Fähigkeit von Deep-Learning-Methoden, eigenständig Repräsentationen des Gewitterauftretens in NWP-Daten zu entdecken. Salienzkarten legen nahe, dass diese Repräsentationen in erheblichem Maße physikalisch interpretierbar sind. Diese Arbeit leistet einen Beitrag zur Verbesserung der Gewittervorhersagefähigkeit, während sich die Methodik auf allgemeine binäre Klassifikationsprobleme in den Naturwissenschaften anwenden lässt.