通过系统性偏差纠正提升基于AI的热带气旋路径与强度预测
机器学习
2026-03-25 v1 人工智能
摘要
热带气旋（TC）对热带和亚热带地区的人民生命、基础设施和经济构成严重威胁，凸显了对路径与强度预测准确性和时效性的迫切需求。近期在基于AI的气象预报方面的进展在改善TC路径预测方面显示出前景。然而，这些系统通常在粗糙分辨率的再分析数据（如ERA5 0.25度）上进行训练，这限制了预测的TC位置固定在网格点上，并引入了显著的离散化误差。此外，强度预测尤其受限于粗糙气象场的平滑效应以及使用回归损失导致的预测偏向条件均值。为此，我们提出BaguanCyclone，一种新型统一框架，整合了两项关键创新：（1）一种概率性中心细化模块，建模TC中心的连续空间分布，以实现更精细的路径精度；（2）一种区域感知的强度预测模块，利用围绕TC核心动态定义的子网格区域内的高分辨率内部表征，以更好地捕捉局部极端值。我们在覆盖六大主要热带气旋流域的全球IBTrACS数据集上进行评估，本系统在准确性方面持续优于操作性数值天气预报（NWP）模型和大多数基于AI的基线方法，显著提升预测精度。值得注意的是，BaguanCyclone在应对气象复杂性方面表现出色，始终能准确预测再增强、扫掠弧、双气旋和盘旋事件。我们的代码已公开：https://github.com/DAMO-DI-ML/Baguan-cyclone。
引用
@article{arxiv.2603.22314,
title = {Enhancing AI-Based Tropical Cyclone Track and Intensity Forecasting via Systematic Bias Correction},
author = {Peisong Niu and Haifan Zhang and Yang Zhao and Tian Zhou and Ziqing Ma and Wenqiang Shen and Junping Zhao and Huiling Yuan and Liang Sun},
journal= {arXiv preprint arXiv:2603.22314},
year = {2026}
}