|
Mundo
Skyfora actualiza el modelo de previsión estacional de tormentas tropicales
Skyfora ha actualizado su modelo de Previsión Estacional de Tormentas Tropicales, una solución que proporciona predicciones probabilísticas de la probabilidad de varios eventos en diferentes categorías para la próxima temporada de ciclones tropicales. Las categorías consisten en la intensidad del ciclón tropical (CT), la génesis del CT por región y la llegada a tierra del CT por región. Además de las previsiones de pretemporada emitidas a principios de abril, mayo y junio para la cuenca atlántica, Skyfora también publica previsiones de media temporada en julio, agosto y septiembre, según las necesidades de los clientes.
Basado en una estructura en la que cada componente consiste en una red neuronal bayesiana, el modelo de previsión estacional de tormentas tropicales utiliza el aprendizaje automático probabilístico en toda su extensión. El modelo se entrena con varias fuentes de datos que incluyen un gran número de variables climáticas históricas atmosféricas, terrestres y oceánicas. La habilidad de la Previsión Estacional de Tormentas Tropicales para la cuenca atlántica ha sido probada mediante extensos experimentos de validación cruzada contra la línea de base, dada por la climatología media de los años 1995-2021. Por ejemplo, el error medio absoluto de predicción de los principales huracanes se reduce en un 50% con respecto a la línea de base, y la predicción de la llegada a tierra en el Golfo de México tiene una correlación de más de 0,7 con los valores reales para los años 2011-2021.
Uno de los primeros en adoptar la Previsión Estacional de Tormentas Tropicales de Skyfora es Securis Investment Partners en Londres. El equipo de Securis tiene una amplia experiencia en el análisis de riesgos y en el desarrollo de modelos de catástrofes naturales para gestores de ILS y modeladores de riesgos.
El Dr. Svante Henriksson, fundador y Director General de Skyfora, comentó: "La previsión estacional y, en particular, la previsión de la llegada a tierra han sido tradicionalmente difíciles de desarrollar y probar debido a la naturaleza caótica de los ciclones tropicales. El año pasado publicamos nuestra primera previsión estacional, pero desde entonces hemos cambiado el enfoque de las predicciones puntuales tradicionales y hemos decidido desplegar el aprendizaje profundo bayesiano en su lugar, ya que la distribución de probabilidad resultante es más útil para nuestros clientes de reaseguros, modelización de catástrofes y ILS. Esta ha resultado ser la decisión correcta".
El Dr. Paul Wilson, Jefe de Análisis de No Vida de Securis, dijo: "El equipo de Skyfora es ambicioso y ha aportado un nuevo enfoque a un problema muy difícil. Al trabajar en estrecha colaboración, hemos podido centrar el trabajo en las métricas más impactantes y en las cuestiones más relevantes del negocio. Al supervisar cómo evolucionan las previsiones, y el riesgo, durante la temporada, esperamos que Skyfora nos ayude a gestionar nuestros riesgos de forma más precisa y dinámica”.
|
World
Skyfora updates Tropical Storm Seasonal Forecast model
Skyfora has updated its Tropical Storm Seasonal Forecast model, a solution which provides probabilistic predictions for the likelihood of various events in different categories for the upcoming tropical cyclone season. The categories consist of tropical cyclone (TC) intensity, TC genesis by region, and TC landfall by region. In addition to pre-season forecasts issued in early April, May and June for the Atlantic basin, Skyfora also publishes mid-season forecasts in July, August and September, according to customer needs.
Based on a structure where each component consists of a Bayesian neural network, the Tropical Storm Seasonal Forecast model utilises probabilistic machine learning to its full extent. The model is trained with several data sources including a large number of historical atmospheric, land and oceanic climate variables. The skill of the Tropical Storm Seasonal Forecast for the Atlantic basin has been proved by extensive cross-validation experiments against the baseline, given by the average climatology over the years 1995-2021. For example, the mean absolute prediction error for major hurricanes is reduced by 50% against the baseline, and the Gulf of Mexico landfall prediction has a correlation of over 0.7 with the true values for years 2011-2021.
One of the early adopters of Skyfora’s Tropical Storm Seasonal Forecast is Securis Investment Partners in London. Securis’s team has extensive experience of risk analysis and developing natural catastrophe models for ILS managers and risk modelers.
Dr. Svante Henriksson Founder and CEO of Skyfora commented: “Seasonal forecasting and particularly skilled landfall forecast have been traditionally difficult to develop and prove due to the chaotic nature of tropical cyclones. Last year we published our first seasonal forecast, but since then we have changed focus from traditional point predictions and decided to deploy Bayesian deep learning instead, as the resulting probability distribution is more useful for our re/insurance, catastrophe modelling and ILS customers. This has proven to be the right decision.”
Dr Paul Wilson, Securis’s Head of Non-Life Analytics said: “Skyfora’s team is ambitious, and they provided a new approach to a very challenging problem. By working closely together we’re able to focus the work on the most impactful metrics and most relevant questions of the business. By monitoring how the forecasts, and risk, evolve during the season we hope Skyfora will help us more accurately and more dynamically manage our risks.”
|
