A Statistical Model to Forecast Tornadoes and Reconstruct Their Climatology and Trends Globally
Notice bibliographique
Résumé
Additive Logistic Regression Models (AR-CHaMo) to predict the occurrence of tornadoes of intensity > (E)F1 were developed using lightning observations from the Arrival Time Difference Network (ATDnet), tornado reports from the European Severe Weather Database (ESWD), the Storm Prediction Centre (SPC) and the Australian Bureau of Meteorology (BOM) and environmental predictors from the ERA5 reanalysis. The models output the probability of a tornado as a function of environmental predictors from ERA5 and can be used both for forecasting and climate analysis. By applying the models to ERA5 for the period 1992-2023, we were able to map the modelled climatological occurrence of tornadoes > (E)F1 on a global scale. According to AR-CHaMo, tornadoes are most common across the Plains and the Southeast of the US, but also across Uruguay, Paraguay, and southern Brazil. Local hotspots are also modelled across southeastern South Africa, southeastern Australia, as well as southeastern and northeastern China. Conditions favouring tornadoes are climatologically less frequent in Europe, but local hotspots are present across coastal regions of the Mediterranean. Although a ground-based verification is impossible due to the lack of a globally consistent tornado reports database, the modelled spatial distribution from AR-CHaMo is in agreement with local climatologies from regions where reports are collected, such as the US and South America. Using 31 years of time series, we were able to detect long-term trends in modelled tornado frequency. In North America, AR-CHaMo indicates that tornadoes have increased in frequency across the US Southeast (most strongly) and the Upper Midwest, while they have locally decreased in the Great Plains. Large relative increases are also present in southeastern Canada. Trends are negative across South America, southern China, and Australia, while the occurrence has increased across southeastern Asia and locally in southern Europe. As part of the presentation, we will also report on the forecasting applications of the AR-CHaMo models, while focusing on a few recent tornado outbreaks across Europe and the US.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».