3DTCR：面向提高热带气旋强度预报的基于物理的生成式框架用于湍流跟随式3D重建
机器学习
2026-03-17 v2
摘要
热带气旋（TC）强度预报始终备受挑战，因为当前的数值和基于人工智能的天气模型未能充分表征极端TC结构和强度。虽然强度时间序列预报取得了显著进展，但其输出的是强度序列，而非三维内部细节结构和支配TC演化的物理机制。高分辨率数值模拟能够捕获这些特征，但在大规模操作应用中仍显得计算昂贵且效率低下。本文提出了3DTCR，一种结合物理约束与生成式人工智能效率的生成式框架，用于3D TC结构重建。基于六年、3公里分辨率的移动域WRF数据集训练，3DTCR实现区域自适应湍流跟随式重建，采用条件流匹配（CFM），通过潜在域适应和两阶段迁移学习进行优化。该框架缓解了低分辨率目标和过度平滑预报的局限性，提高了TC内部核心结构和强度的表征，同时保持轨迹稳定性。结果表明，3DTCR在 nearly all lead times up to 5 天的TC强度预测中均优于ECMWF高分辨率预报系统（ECMWF-HRES），相对于其FuXi输入将最大WS10M的RMSE降低36.5%。这些发现表明，3DTCR作为一种在较低计算成本下解决细节结构的基于物理的生成式框架，为改善TC强度预报提供了有前景的途径。
引用
@article{arxiv.2603.13049,
title = {3DTCR: A Physics-Based Generative Framework for Vortex-Following 3D Reconstruction to Improve Tropical Cyclone Intensity Forecasting},
author = {Jun Liu and Xiaohui Zhong and Kai Zheng and Jiarui Li and Yifei Li and Tao Zhou and Wenxu Qian and Shun Dai and Ruian Tie and Yangyang Zhao and Hao Li},
journal= {arXiv preprint arXiv:2603.13049},
year = {2026}
}