ByteStorm：用于热带风暴检测与跟踪的多步骤数据驱动方法
机器学习
2026-03-27 v2 人工智能
摘要
准确的热带风暴（TCs）跟踪在气象和气候科学中代表着重大挑战。传统跟踪方案主要依赖主观阈值，这可能在其应用地理区域技能上引入偏差，且往往在计算和数据方面密集，由于需要管理大量变量。我们提出了\textit{ByteStorm}，一个高效的数据驱动框架，用于重建TC轨迹。它利用深度学习网络检测TC中心（通过分类和定位），仅使用相对涡旋（850mb）和海平面气压。随后，通过BYTE算法将检测到的中心链接成TC轨迹。\textit{ByteStorm}在主要全球TC形成盆地上与最先进的确定性跟踪器进行了基准测试。该框架在概率检测和误报率方面取得良好的跟踪技能，准确地再现了季节性和年际变异性，并重建了可靠、平滑且连贯的TC轨迹。这些结果凸显了将深度学习和计算机视觉集成以提供稳健、计算效率高且技能数据驱动的TC跟踪替代方案的潜力。
引用
@article{arxiv.2512.07885,
title = {ByteStorm: a multi-step data-driven approach for Tropical Cyclones detection and tracking},
author = {Davide Donno and Donatello Elia and Gabriele Accarino and Marco De Carlo and Enrico Scoccimarro and Silvio Gualdi},
journal= {arXiv preprint arXiv:2512.07885},
year = {2026}
}
备注
26 pages, 17 figures