KAN-FIF：基于样条参数化的轻量级物理驱动气象卫星热带气旋估计
机器学习
2026-03-17 v2 人工智能
摘要
热带气旋（TC）是最具破坏性的自然灾害之一，通过极端大风、强降雨和风暴潮对沿海地区造成灾难性损害。及时监测热带气旋对于减少生命和财产损失至关重要，但现有方法在资源受限的边缘设备上存在计算效率低下和参数数量高的问题。当前的物理引导模型受限于线性特征交互，无法捕捉TC属性之间的高阶多项式关系，导致模型规模膨胀和硬件不兼容。为克服这些挑战，本研究引入了基于Kolmogorov-Arnold网络的特征交互框架（KAN-FIF），这是一种轻量级多模态架构，将MLP和CNN层与样条参数化的KAN层集成在一起。对于最大持续风速（MSW）预测，实验表明，与基线模型Phy-CoCo相比，KAN-FIF框架实现了94.8%的参数减少（0.99MB对比19MB）和68.7%的每样本推理速度提升（2.3ms对比7.35ms），同时保持了优越的准确性，MAE降低了32.5%。在风云四号系列气象卫星处理器于青云-1000开发板上的离线部署实验中，KAN-FIF框架实现了每样本14.41ms的推理延迟，展示了在业务化TC监测中的可行前景，并将可部署性扩展到边缘设备AI应用。代码已发布在 https://github.com/Jinglin-Zhang/KAN-FIF。
引用
@article{arxiv.2602.12117,
title = {KAN-FIF: Spline-Parameterized Lightweight Physics-based Tropical Cyclone Estimation on Meteorological Satellite},
author = {Jiakang Shen and Qinghui Chen and Runtong Wang and Chenrui Xu and Jinglin Zhang and Cong Bai and Feng Zhang},
journal= {arXiv preprint arXiv:2602.12117},
year = {2026}
}