TCP-Diffusion：一种用于全球热带风暴降水预测的多模态扩散模型及变更感知
机器学习
2025-05-20 v2 人工智能
大气与海洋物理
摘要
热带风暴 (TC) 的降水可导致洪涝、泥石流和山体滑坡等灾害。提前预测此类降水至关重要，以便人们有足够时间准备并防御这些由降水引起的灾害。开发深度学习 (DL) 降雨预测方法为预测潜在灾害提供了新途径。然而，大多数现有方法都存在累积误差且缺乏物理一致性的问题；此外，这些方法忽视了气象因素的重要性以及其与数值天气预报 (NWP) 模型的集成。因此，我们提出了热带风暴降水扩散 (TCP-Diffusion)，这是一种用于全球热带风暴降水预测的多模态模型。它基于过去的降水观测和多模态环境变量，对热带风暴中心附近的降水在未来 12 小时内以 3 小时分辨率进行预测。相邻残差预测 (ARP) 将训练目标从绝对降水值更改为降水趋势，使模型具备降水变更感知能力，从而减少累积误差并确保物理一致性。考虑到热带风暴相关气象因素以及 NWP 模型预测所提供的有用信息，我们提出了一种具有专门编码器的多模型框架，以从环境变量和 NWP 模型提供的结果中提取更丰富的信息。广泛实验结果表明，我们的方法在其他 DL 方法和来自欧洲中期气象预报中心 (ECMWF) 的 NWP 方法方面均表现出优势。
引用
@article{arxiv.2410.13175,
title = {TCP-Diffusion: A Multi-modal Diffusion Model for Global Tropical Cyclone Precipitation Forecasting with Change Awareness},
author = {Cheng Huang and Pan Mu and Cong Bai and Peter AG Watson},
journal= {arXiv preprint arXiv:2410.13175},
year = {2025}
}
备注
Camera-ready version. This paper has been accepted to ICML 2025