CycloneMAE：用于全球热带气旋概率预报的可扩展多任务学习模型
机器学习
2026-04-15 v1 人工智能
摘要
热带气旋（TC）是最具毁灭性的自然灾害之一，但其预报面临根本性权衡：数值天气预报（NWP）模型计算昂贵且难以利用历史数据，而现有深度学习（DL）基于的智能模型又是变量特定且确定性的，无法在不同预报变量之间泛化。为此，我们提出 CycloneMAE，一个可扩展的多任务预报模型，通过 TC 结构感知掩码自编码器从多模态数据中学习可迁移的 TC 表示。通过将离散概率网格机制与预训练/微调范式耦合，CycloneMAE 同时提供确定性预报和概率分布。经评估，CycloneMAE 在五个全球海洋盆地上超越领先的 NWP 系统：在压力和风速预报中表现优异，最高可达120小时；在路径预报中表现突出，最高可达24小时。通过集成梯度归因分析揭示了可解释的学习动力学：短期预报主要依赖卫星图像中内部核心对流结构，而更长期的预报则逐渐转向外部环境因素。我们的框架为操作 TC 预报建立了可扩展、概率化和可解释的路径。
引用
@article{arxiv.2604.12180,
title = {CycloneMAE: A Scalable Multi-Task Learning Model for Global Tropical Cyclone Probabilistic Forecasting},
author = {Renlong Hang and Zihao Xu and Jiuwei Zhao and Runling Yu and Leye Cheng and Qingshan Liu},
journal= {arXiv preprint arXiv:2604.12180},
year = {2026}
}