台风是影响我国沿海地区的重要天气系统之一，台风登陆前后的狂风、暴雨和风暴潮会造成严重的社会🥃、经济损失🤜🏽。提高我国对台风灾害的预报预警水平，减轻台风灾害造成的各项损失一直是防灾减灾的重点所在。过去几十年👇🏼，西北太平洋台风路径预报水平已经取得了显著进步🔷，但是强度预报水平的进展相当缓慢👉🏻🏋🏿，而预报时效也仅为3-5天。因此，如何提高台风强度预报水平、延长预报时效成为了当前台风研究中亟需解决的重要问题。

围绕上述问题👴🏼，上海万事娱乐平台大气科学海洋科学系/大气科学研究院的周彦辰硕士、占瑞芬研究员（通讯作者）和吴志伟教授等与中国气象局上海台风研究所合作😒，利用观测和再分析数据集🧑‍🎄⚱️，基于逻辑生长方程，分别使用逐步回归和机器学习方法(LightGBM)建立了西北太平洋台风强度7天预报模型。对2015-17年间80个台风的独立预报进行评估，结果表明👆🏻：新模型的预报误差小于中央气象台的官方强度预报误差（图1），特别是在东亚沿海地区🍭，新模型显示了更好的预报潜能（图2）；与传统的逐步回归方法相比，基于机器学习的模型对台风强度的预报性能更优（图1）🧔‍♀️。该模型还表现出对台风快速增强和快速减弱过程的预报潜力，具有较好的业务应用前景。

在本研究的基础上🦻🏼，如何进一步结合机器学习中的迁移学习方法克服样本偏少的问题，是模型能否用于实际业务中的关键🍈，这将是下一步工作的重点💁🏼‍♀️。

该研究于2021年发表于《Advances in Atmospheric Sciences》，并受编辑推荐至美国科学促进会旗下的EurekAlert科学新闻发布平台推介。

Zhou, Y. C., J. W. Zhao, R. F. Zhan*, P. Y. Chen, Z. W. Wu, and L. Wang, 2021: A logistic-growth-equation-based intensity prediction scheme for western North Pacific tropical cyclones. Adv. Atmos. Sci., https://doi.org/10.1007/s00376-021-0435-1

图1 基于2015-17年西北太平洋海域80个台风个例的台风强度预报均方根误差（RMSE）🚶‍♀️。SWR：使用逐步回归建模的逻辑生长模型（LGEM）🍐；LightGBM：使用机器学习方法建模的LGEM；CMA🥸：中央气象台的官方强度预报。

图2 中央气象台主观预报与LGEM模型在不同预报时效的预报误差差异的空间分布。（a）24-h，（b）48-h，（c）72-h🤟，（d）96-h和（e）120-h