利用应用于高时间分辨率地球静止卫星影像的不确定性感知深度学习进行热带气旋定中心
摘要
确定热带气旋（TC）表面环流中心的位置——即“定中心”——是 TC 预报过程的关键第一步，影响对路径、强度和结构的当前及未来估计。尽管近期自动化定中心方法有所增加，但只有一种此类方法（ARCHER-2）投入了业务运行，且其最佳性能是在使用微波或散射计数据时实现的，而这些数据往往不可用。我们开发了一种名为 GeoCenter 的深度学习算法；除了自动热带气旋预报系统中的几个标量外，它仅依赖地球静止红外（IR）卫星影像，该影像对所有 TC 盆地在白天和夜间均以高频率（10 分钟）和低延迟（< 10 分钟）提供。GeoCenter 接收 IR 图像的动画（时间序列），包括滞后时间长达 4 小时的 9 个通道。该动画以“初猜”位置为中心，与真实 TC 中心位置平均偏离 48 公里，有时超过 100 公里；GeoCenter 的任务是校正这一偏移。在独立测试数据集上，GeoCenter 对所有系统实现了 26.6/22.2/32.4 公里的平均/中位数/均方根误差，对热带系统为 24.7/20.8/30.0 公里，对 2-5 级飓风为 14.6/12.5/17.3 公里。这些数值与 ARCHER-2 使用微波或散射计数据时的误差相似，且优于 ARCHER-2 仅使用 IR 数据时的误差。GeoCenter 还表现出出色的不确定性量化能力，生成一个校准良好的 150 个 TC 中心位置的集合。此外，GeoCenter 使用的所有预测因子均可实时获取，这将使 GeoCenter 易于每 10 分钟实施一次业务运行。
引用
@article{arxiv.2409.16507,
title = {Center-fixing of tropical cyclones using uncertainty-aware deep learning applied to high-temporal-resolution geostationary satellite imagery},
author = {Ryan Lagerquist and Galina Chirokova and Robert DeMaria and Mark DeMaria and Imme Ebert-Uphoff},
journal= {arXiv preprint arXiv:2409.16507},
year = {2025}
}
备注
Submitted to AMS journal Weather and Forecasting. Main body is 66 pages and 18 figures; supplement is another 40 pages and 35 figures