基于物理约束的长期热带风暴强度预测框架 VQLTI
机器学习
2025-01-31 v1 人工智能
摘要
热带风暴 (TC) 强度预测对于早期灾害预警和紧急决策至关重要。大量研究者探索使用深度学习方法以解决作业中期预测中的计算和后处理问题。遗憾的是，这些方法在长期预测方面表现不佳。我们采用两种策略来提升长期预测性能：(1) 通过增强 TC 强度与空间信息之间的匹配，可改善长期预测性能；(2) 融入物理知识和物理约束可帮助缓解预测误差的累积。为实现上述目标，我们提出了 VQLTI 框架。VQLTI 将 TC 强度信息转移到离散潜在空间中，同时保留空间信息差异，利用大规模空间气象数据作为条件。此外，我们利用气象预测模型 FengWu 提供的预测结果为 VQLTI 提供额外的物理知识。我们还计算了潜在强度 (PI) 以对潜在变量施加物理约束。在全球长期 TC 强度预测中，VQLTI 相较于 ECMWF-IFS 实现了 24h 到 120h 的最先进成果，MSW (最大持续风力) 预测误差降低了 35.65%~42.51%。
引用
@article{arxiv.2501.18122,
title = {VQLTI: Long-Term Tropical Cyclone Intensity Forecasting with Physical Constraints},
author = {Xinyu Wang and Lei Liu and Kang Chen and Tao Han and Bin Li and Lei Bai},
journal= {arXiv preprint arXiv:2501.18122},
year = {2025}
}