基于气候再分析数据的热带气旋生成深度学习重构
大气与海洋物理
2025-10-08 v1
摘要
本研究提出一种基于残差卷积神经网络 (ResNet) 的深度学习 (DL) 架构，用于从气候再分析数据集中重构西北太平洋 (WNP) 区域热带气旋生成 (TCG) 的气候学。利用不同的 TCG 数据标注策略和数据丰富窗口，对 1980-2020 年间的 NASA Modern-Era Retrospective analysis for Research and Applications Version 2 (MERRA2) 数据集进行训练，展示了 ResNet 能在 WNP 区域合理再现整体 TCG 气候学，捕捉其季节性和空间分布。我们的敏感性分析和优化表明，这种 TCG 重构取决于希望重构的 TCG 气候学类型以及用于标注 TCG 数据的策略。值得注意的是，针对不同输入特征的分析显示，DL 基于的 TCG 气候学重构仅需部分通道，而非所有可用数据，这与先前的 TCG 模型和观测研究结果一致。这些结果不仅增进了对 TCG 过程的理解，也为基于全球模式预测或气候输出中的大尺度环境进行 TCG 气候学的预测或下采样提供了可行路径。总体而言，本研究表明 DL 可为研究 TC 气候学提供一种有效方法，超越当前气候模式分析中使用的传统物理基于仿真和旋流跟踪算法。
引用
@article{arxiv.2510.06118,
title = {Deep Learning Reconstruction of Tropical Cyclogenesis in the Western North Pacific from Climate Reanalysis Dataset},
author = {Duc-Trong Le and Tran-Binh Dang and Anh-Duc Hoang Gia and Duc-Hai Nguyen and Minh-Hoa Tien and Xuan-Truong Ngo and Quang-Trung Luu and Quang-Lap Luu and Tai-Hung Nguyen and Thanh T. N. Nguyen and Chanh Kieu},
journal= {arXiv preprint arXiv:2510.06118},
year = {2025}
}