Improving Ensemble Forecasts of Abnormally Deflecting Tropical Cyclones with Fused Atmosphere-Ocean-Terrain Data

📄 arXiv: 2603.29200v1 📥 PDF

作者: Qixiang Li, Shuwei Huo, Chong Wang, Xiaofeng Li, Yuan Zhou

分类: cs.LG, cs.AI

发布日期: 2026-03-31

💡 一句话要点

提出AOT-TCs数据集和耦合模型，提升异常转向台风的集合预报精度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 台风预测 深度学习 多模态融合 大气海洋耦合 异常转向台风

📋 核心要点

  1. 现有深度学习台风预测方法难以处理多源异构数据，且对异常转向台风预测精度不足。
  2. 论文构建AOT-TCs数据集，并提出显式耦合大气-海洋-地形的预测模型，捕捉复杂交互。
  3. 实验表明，该模型显著提升了正常台风的预测精度，并突破了异常转向台风预测瓶颈。

📝 摘要（中文）

本文针对现有基于深度学习的台风预测方法只能处理单一类型序列轨迹数据或同质气象变量，且难以准确预测异常转向台风的问题，提出了两项创新。首先，构建了西北太平洋台风预测的多模态多源数据集AOT-TCs，该数据集创新性地整合了来自大气、海洋和陆地的异构变量，从而获得了一个全面的、信息丰富的气象数据集。其次，基于AOT-TCs数据集，提出了一个能够处理正常和异常转向台风的预测模型。该模型是首个采用显式大气-海洋-地形耦合架构的台风预测模型，使其能够有效地捕捉跨物理域的复杂相互作用。在2017年至2024年西北太平洋所有台风案例上的大量实验表明，该模型在台风预测方面取得了最先进的性能：它不仅显著提高了正常台风的预测精度，而且突破了异常转向台风预测的技术瓶颈。

🔬 方法详解

问题定义：现有基于深度学习的台风预测方法主要存在两个痛点：一是只能处理单一类型的序列轨迹数据或同质的气象变量，无法有效融合多源异构数据；二是对于异常转向的台风，预测精度显著下降，难以满足实际应用需求。

核心思路：论文的核心思路是构建一个能够有效融合大气、海洋和地形等多源异构数据的深度学习模型，并显式地建模这些物理域之间的耦合关系。通过这种方式，模型能够更全面地理解台风的形成和演变过程，从而提高预测精度，特别是对于异常转向的台风。

技术框架：该模型基于AOT-TCs数据集，采用显式的大气-海洋-地形耦合架构。具体来说，模型可能包含以下模块：1) 数据预处理模块，用于处理来自大气、海洋和地形的异构数据，并将其转换为模型可接受的格式；2) 特征提取模块，用于从不同物理域的数据中提取关键特征；3) 耦合模块，用于建模大气、海洋和地形之间的相互作用；4) 预测模块，用于基于提取的特征和耦合关系，预测台风的未来轨迹。

关键创新：该论文最重要的技术创新点在于：1) 构建了AOT-TCs数据集，这是首个整合大气、海洋和地形等多源异构数据的台风预测数据集；2) 提出了显式的大气-海洋-地形耦合架构，能够有效地捕捉跨物理域的复杂相互作用。与现有方法相比，该模型能够更全面地理解台风的形成和演变过程，从而提高预测精度。

关键设计：具体的参数设置、损失函数和网络结构等技术细节在摘要中没有明确给出，属于未知信息。但可以推测，模型可能采用了注意力机制来关注不同物理域的关键特征，并使用合适的损失函数来优化模型的预测性能。网络结构可能包含卷积神经网络（CNN）或循环神经网络（RNN）等，用于提取空间和时间特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文实验结果表明，提出的模型在台风预测方面取得了state-of-the-art的性能。该模型不仅显著提高了正常台风的预测精度，而且突破了异常转向台风预测的技术瓶颈。具体的性能数据和对比基线在摘要中没有明确给出，属于未知信息，但强调了在异常转向台风预测方面的突破。

🎯 应用场景

该研究成果可应用于提高台风路径预测的准确性和可靠性，尤其是在异常转向台风的预测方面。这对于沿海地区的防灾减灾具有重要意义，能够为政府部门和相关机构提供更准确的决策依据，从而减少台风造成的经济损失和人员伤亡。未来，该研究可以进一步扩展到其他气象灾害的预测中。

📄 摘要（原文）

Deep learning-based tropical cyclone (TC) forecasting methods have demonstrated significant potential and application advantages, as they feature much lower computational cost and faster operation speed than numerical weather prediction models. However, existing deep learning methods still have key limitations: they can only process a single type of sequential trajectory data or homogeneous meteorological variables, and fail to achieve accurate forecasting of abnormal deflected TCs. To address these challenges, we present two groundbreaking contributions. First, we have constructed a multimodal and multi-source dataset named AOT-TCs for TC forecasting in the Northwest Pacific basin. As the first dataset of its kind, it innovatively integrates heterogeneous variables from the atmosphere, ocean, and land, thus obtaining a comprehensive and information-rich meteorological dataset. Second, based on the AOT-TCs dataset, we propose a forecasting model that can handle both normal and abnormally deflected TCs. This is the first TC forecasting model to adopt an explicit atmosphere-ocean-terrain coupling architecture, enabling it to effectively capture complex interactions across physical domains. Extensive experiments on all TC cases in the Northwest Pacific from 2017 to 2024 show that our model achieves state-of-the-art performance in TC forecasting: it not only significantly improves the forecasting accuracy of normal TCs but also breaks through the technical bottleneck in forecasting abnormally deflected TCs.