Accurate typhoon intensity forecasts using a non-iterative spatiotemporal transformer model

📄 arXiv: 2509.21349v1 📥 PDF

作者: Hongyu Qu, Hongxiong Xu, Lin Dong, Chunyi Xiang, Gaozhen Nie

分类: physics.ao-ph, cs.LG

发布日期: 2025-09-18

备注: 41 pages, 5 figures in the text and 6 figures in the appendix. Submitted to npj Climate and Atmospheric Science

💡 一句话要点

提出TIFNet，一种非迭代时空Transformer模型，显著提升台风强度预测精度。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 台风强度预测 Transformer模型 时空建模 非迭代预测 历史演化融合

📋 核心要点

  1. 现有台风强度预测模型在极端天气情况下预测精度迅速下降，且缺乏长期一致性。
  2. TIFNet通过整合高分辨率全球预测和历史演化信息，使用Transformer模型进行非迭代的5天强度轨迹预测。
  3. 实验结果表明，TIFNet在各类台风强度预测中均优于现有业务模型，尤其在快速强度变化时误差降低29-43%。

📝 摘要（中文）

热带气旋（TC）强度，尤其是在快速增强和快速减弱期间的准确预测，对于业务气象学来说仍然是一个挑战，对灾害准备和基础设施弹性具有高度影响。机器学习的最新进展在TC预测方面取得了显著进展；然而，大多数现有系统提供的预测在极端情况下迅速退化，并且缺乏长期一致性。本文介绍了一种基于Transformer的预测模型TIFNet，该模型通过整合高分辨率全球预测和历史演化融合机制，生成非迭代的5天强度轨迹。经过再分析数据训练和业务数据微调，TIFNet在所有预测范围内始终优于业务数值模型，并在弱、强和超强台风类别中实现了稳健的改进。在长期以来被认为是最难预测的快速强度变化状态下，相对于当前的业务基线，TIFNet将预测误差降低了29-43%。这些结果代表了基于人工智能的TC强度预测的重大进展，尤其是在传统模型持续表现不佳的极端条件下。

🔬 方法详解

问题定义：论文旨在解决热带气旋（台风）强度预测不准确的问题，尤其是在台风快速增强和减弱阶段。现有数值模型和一些机器学习方法在极端天气条件下预测精度会显著下降，并且缺乏长期预测的一致性。

核心思路：论文的核心思路是利用Transformer模型强大的时空建模能力，将高分辨率的全球预测数据与台风的历史演化信息进行融合，从而实现更准确、更鲁棒的台风强度预测。采用非迭代的方式生成5天强度的轨迹，避免了迭代预测中误差累积的问题。

技术框架：TIFNet模型主要包含以下几个模块：1) 数据预处理模块，负责处理高分辨率全球预测数据和历史台风数据；2) 特征提取模块，利用卷积神经网络（CNN）提取输入数据的空间特征；3) 时空Transformer模块，融合空间特征和时间序列信息，学习台风强度的演化规律；4) 预测模块，输出未来5天的台风强度预测轨迹。

关键创新：TIFNet的关键创新在于：1) 采用非迭代的预测方式，避免了误差累积；2) 引入历史演化融合机制，充分利用历史信息提升预测精度；3) 使用Transformer模型进行时空建模，能够有效捕捉台风强度变化的复杂模式。

关键设计：论文中使用了标准的Transformer结构，并针对台风预测任务进行了优化。具体的技术细节包括：1) 输入特征的选择，包括气压、风速、温度等气象要素；2) Transformer的层数和隐藏层大小；3) 损失函数的选择，例如均方误差（MSE）或Huber损失；4) 训练数据的划分和增强策略。

📊 实验亮点

TIFNet在台风强度预测方面取得了显著的性能提升，在所有预测范围内均优于现有业务数值模型。尤其是在快速强度变化阶段，TIFNet相对于当前业务基线，将预测误差降低了29-43%。此外，TIFNet在弱、强和超强台风类别中均表现出稳健的改进。

🎯 应用场景

该研究成果可应用于改进台风预警系统，为政府、企业和公众提供更准确的台风强度预测信息，从而更好地进行灾害准备和基础设施保护。更精确的台风强度预测有助于减少经济损失和人员伤亡，提高社会应对极端天气事件的能力。未来，该模型可以进一步扩展到其他气象灾害的预测中。

📄 摘要（原文）

Accurate forecasting of tropical cyclone (TC) intensity - particularly during periods of rapid intensification and rapid weakening - remains a challenge for operational meteorology, with high-stakes implications for disaster preparedness and infrastructure resilience. Recent advances in machine learning have yielded notable progress in TC prediction; however, most existing systems provide forecasts that degrade rapidly in extreme regimes and lack long-range consistency. Here we introduce TIFNet, a transformer-based forecasting model that generates non-iterative, 5-day intensity trajectories by integrating high-resolution global forecasts with a historical-evolution fusion mechanism. Trained on reanalysis data and fine-tuned with operational data, TIFNet consistently outperforms operational numerical models across all forecast horizons, delivering robust improvements across weak, strong, and super typhoon categories. In rapid intensity change regimes - long regarded as the most difficult to forecast - TIFNet reduces forecast error by 29-43% relative to current operational baselines. These results represent a substantial advance in artificial-intelligence-based TC intensity forecasting, especially under extreme conditions where traditional models consistently underperform.