用于多时效热带气旋路径预报的双分支时空融合网络
机器学习
2024-01-23 v1 人工智能
摘要
热带气旋（TC）是一种极端热带天气系统，其轨迹可由多种时空数据描述。有效挖掘这些数据是准确预报 TC 路径的关键。然而，现有方法面临模型复杂度过高或难以从多模态数据高效提取特征的问题。本文提出双分支时空融合网络（DBF-Net）——一种高效融合多模态特征的新颖多时效热带气旋路径预报模型。DBF-Net 包含一个从 TC 一维固有特征提取时间特征的 TC 特征分支，以及一个从再分析二维气压场提取时空特征的气压场分支。通过基于编码器-解码器的架构与高效特征融合，DBF-Net 能充分挖掘两类数据的信息，并取得良好的 TC 路径预测结果。在西北太平洋历史 TC 路径数据上的大量实验表明，我们的 DBF-Net 相比现有统计与深度学习 TC 路径预报方法取得了显著改进。
引用
@article{arxiv.2202.13336,
title = {Dual-Branched Spatio-temporal Fusion Network for Multi-horizon Tropical Cyclone Track Forecast},
author = {Zili Liu and Kun Hao and Xiaoyi Geng and Zhenwei Shi},
journal= {arXiv preprint arXiv:2202.13336},
year = {2024}
}