基于物理信息的残差神经普通微分方程用于提升热带气旋强度预报
大气与海洋物理
2025-03-11 v1 人工智能
摘要
准确预测热带气旋（TC）强度对于减轻风暴灾害至关重要，但其复杂的动力学对传统方法构成了挑战。本文引入了物理信息残差神经普通微分方程（Physics-Informed Residual Neural Ordinary Differential Equation，PIR-NODE）模型，以精确预测 TC 强度的演化。该模型利用深度学习的强大非线性拟合能力，集成残差连接以增强模型深度和训练稳定性，并显式建模 TC 强度的时间连续演化。实验结果表明，PIR-NODE 模型在 SHIPS 数据集上实现了显著的 24 小时强度预测精度提升，相对于传统统计模型和基准深度学习方法，RMSE 降低 25.2%，R² 提升 19.5%。关键在于，残差结构有效保留了初始状态信息，模型展现出稳健的泛化能力。这一研究详细阐述了 PIR-NODE 模型的架构、物理信息集成策略以及全面实验验证，揭示了深度学习技术在预测复杂地球系统方面的巨大潜力，为未来的精细化 TC 预报研究奠定了基础。
引用
@article{arxiv.2503.06436,
title = {Physics-Informed Residual Neural Ordinary Differential Equations for Enhanced Tropical Cyclone Intensity Forecasting},
author = {Fan Meng},
journal= {arXiv preprint arXiv:2503.06436},
year = {2025}
}
备注
14 pages, 9 figures