Tianmu-TC: 用于全球热带气旋预报的物理约束生成式人工智能

# 天目-TC：面向全球热带气旋预测的物理约束生成式人工智能  
来源：https://arxiv.org/html/2608.18500  

**作者**：Pan Mu、Cheng Huang  
**机构**：  
- 浙江工业大学计算机科学与技术学院，杭州，中国 310023  
- 天津理工大学计算机科学与工程学院，天津，中国 300384  

**Hanting Yan**  
**机构**：  
- 浙江工业大学计算机科学与技术学院，杭州，中国 310023  
- 浙江大学地球科学学院，杭州，中国 310058  

**Yuchao Zhu**  
**机构**：浙江工业大学计算机科学与技术学院，杭州，中国 310023  

**Jinglin Zhang**  
**机构**：山东大学控制科学与工程学院，济南，中国 250061  

**Shengyong Chen、Shoujuan Shu、Cong Bai**  

###### 摘要  
热带气旋（TCs）带来的强风和暴雨会构成严重风险。然而，由于大气系统的混沌特性以及初始条件误差的快速放大，预测其路径和强度仍具挑战性，导致预报不确定性持续增加。尽管数值天气预报（NWP）和深度学习模型已取得进展，但它们通常计算成本高昂，且在复杂气象场景中表现不佳。本文提出 **天目-TC**，一种基于物理约束的全球热带气旋预测生成式框架。该模型在西北太平洋数据上训练，通过引入物理约束来生成可控输出，降低不确定性，从而提升预报可靠性。实验表明，天目-TC在全球各大洋区域的表现优于确定性和集合式气象人工智能模型以及欧洲中期天气预报中心（ECMWF）等权威NWP系统，且计算成本显著降低。进一步研究显示，天目-TC在数据稀疏、异常路径、快速增强与减弱等挑战性场景中仍表现良好。这些发现表明，物理约束生成式AI为实现可靠、高效的全球热带气旋预测提供了有前景的途径。  

## 引言  
热带气旋（TCs）是复杂的天气系统，常伴随强风和暴雨，引发对基础设施造成严重破坏并威胁人类生命财产安全的自然灾害\[1\]。因此，准确预测TCs对于有效预防相关灾害至关重要。TC的路径指示其当前位置，而强度则反映其破坏力和潜在危害程度。准确预测这两项属性对于确定相应的防范级别至关重要。具体而言，TC路径由其中心的经纬度位置组合而成。强度可通过不同属性表示，其中气压和风速最具代表性。气压指TC中心的最低大气压（hPa），风速则指TC中心附近两分钟内的最大持续风速（m/s）。这些属性在物理上密切相关\[2,3\]。  

然而，热带气旋预报本质上存在不确定性，使精准预测成为一个持久挑战。大气是一个混沌系统，这意味着即使初始条件中的微小误差也会随时间放大——这一现象被称为“蝴蝶效应”——最终降低预报准确性并增加不确定性。随着预报时效延长，这种不确定性在路径和强度预测中变得尤为明显。例如，预测的TC中心位置可能偏离数百公里，而强度预报往往无法捕捉“快速增强”或“快速减弱”等突变。在实践中，这导致预报结果分散且不确定性迅速增长。  

为应对这些挑战，权威数值天气预报（NWP）模型\[4,5,6\]采用集合预报策略，通过对初始条件施加扰动来模拟多种情景\[7\]。这种方法已被欧洲中期天气预报中心（ECMWF）\[8\]、美国国家飓风中心（OFCL）\[6\]和中国中央气象台（CMO）\[9\]等官方机构广泛采用。尽管集合方法有助于降低不确定性，但模拟全球大气过程需要庞大的计算资源\[10\]，导致训练和推理时间过长，这使得它们不太适用于需要快速响应的实时区域应用。随着考虑的不确定性因素增加，所需计算资源显著上升。因此，探索更高效的TC预测方法势在必行。  

近年来，生成模型的发展为解决不确定性挑战提供了新视角\[11-15\]，且计算成本大幅降低。通过引入受控噪声或扰动，这类模型在技术上规避了初始误差及其迭代放大的影响，从而能够生成未来的TC路径和强度。此外，它们能够生成大量多样化成员（类似集合预报），使其非常适合预测未来的热带气旋路径和强度。  

然而，这些集合成员反映的多样性——虽然有助于表征不确定性——可能导致输出过于分散，包括多个看似合理但差异较大的路径，从而削弱灾害防范和应急响应所需的精度。为此，我们引入**物理约束**来规范生成过程。这些约束调节模型的随机性，实现多样性与精度之间更平衡的权衡。约束条件已正式定义并见图1\[链接\]。  

> **图1：热带气旋预测的物理约束**  
> （A）总体示意图：影响TC发展的气象因素。（B）所提出的物理约束控制生成过程，以最小预测面积实现更低的不确定性评分。（C）大气环境约束的数据组成。大尺度风场包括200 hPa至850 hPa的纬向风（u）和经向风（v）分量。高压系统由南亚高压（SAH, z200）和西太平洋副热带高（WPSH, z500）组成，其中z表示位势高度。（D）TC倾斜指标：基于三个气压层的涡度数据计算。详见“材料与方法”部分。  

> **图2：天目-TC框架**  
> 天目-TC包含三个关键组件：（1）**约束编码器**，用于初步约束编码；（2）**跨模态融合模块**，建立约束之间的关联；（3）**约束引导去噪模块**，执行最终去噪过程。y_K ∼ y₀表示在不同扩散步骤k下的TC预测结果。为便于可视化，此处仅显示预测路径，而风速和气压预测同步生成。从y_K到y₀，蓝色虚线逐渐从噪声收敛至接近真实值。单步去噪过程（从y_k到y_{k-1}）由**物理约束去噪块**实现，该模块在物理约束引导下运行。  

首先，预测任务中的一个常见约束是目标属性的历史值。在TC预测中，这通常包括TC的历史路径和强度，我们称之为**历史信息约束**。其次，TC的生成和演变受大尺度大气环境影响。为此，我们引入**大气环境约束**，整合影响TC活动的主要大尺度环流系统，包括对流层上部的南亚高压（SAH）、西太平洋副热带高（WPSH）和季风槽\[16-18\]。最后，除环境强迫外，TC属性也受内部结构变化影响，这一点在以往工作中常被忽视。因此，我们设计了**内部结构变化约束**，将结构变化显式纳入预测过程，以控制生成输出的多样性。  

上述三个约束统称为**物理驱动的气象因子约束**，即“物理约束”。基于此，我们提出**天目-TC**——一种面向全球热带气旋预测的物理约束生成扩散框架（图2）。通过整合物理约束，天目-TC将路径和强度预测转化为条件生成过程，使最初混沌的生成结果逐渐变得清晰、准确。我们的方法为高效、稳健的全球TC预测提供了新范式，凸显了生成模型作为预测方法的实用性和潜力。  

以往将人工智能应用于TC预测的工作主要聚焦于通过历史数据学习模式进行确定性预测，但往往缺乏对预报不确定性的显式建模，经典时空序列模型如RNN\[19,20\]、GRU\[21\]、Bi-GRU\[22\]、LSTM\[23\]和ConvLSTM\[24\]即为此类。近期研究引入多模态输入——包括历史TC属性和网格再分析变量——以更好地表征周围大气环境\[25-32\]。与此同时，大规模气象基础模型\[33\]如Pangu\[34\]和Fengwu\[35\]，以及近期概率性或集合式AI天气模型如GenCast\[11\]和NeuralGCM\[36\]，通过直接预测全球ERA5再分析场取得了显著成效。尽管这些模型可通过下游追踪间接支持TC预测，但并非针对TC任务优化，常导致强度低估、集合分布不够紧凑，以及在罕见或极端场景下表现不佳。此外，它们依赖全球规模数据集和大型模型，带来高昂的训练与推理成本，使其在实时或资源受限的预测环境中实用性较低。  

综上，现有方法难以平衡预测精度、计算效率和不确定性降低，且在热带气旋强度或路径快速变化等复杂或罕见气象条件下常表现不佳。我们的目标是有效降低不确定性以提高预测可靠性，同时不增加额外计算成本。  

> **图3：不同约束下的结果**  
> （A）2019年8月16日00:00 UTC台风“罗莎”在五种约束设置下的生成结果，扩散步骤k从100递减至0。阴影区域代表不确定性。应用所有约束（C1、C2和C3；最右列）的预测最集中且不确定性最低。（B）针对同一台风，预测均值和方差以展布分布可视化。方差越小，曲线越陡峭，表明预测不确定性越低。（C）2017至2023年146个TC的平均预测误差。行分别对应：（a）路径，（b）气压，（c）风速。  

## 结果  
天目-TC以48小时TC历史数据为输入，生成未来24或72小时的预测。输入包含三个核心部分：1）来自国际最佳路径数据集（IBTrACS\[37\]）的历史TC属性；2）基于ERA5的代表大尺度大气状况的环境场；3）从涡度场提取的TC倾斜指标，以捕捉内部结构动态。本研究采用IBTrACS最佳路径记录作为所有评估的基准，符合基于深度学习的预测标准实践。为严格评估泛化能力，我们在2017至2023年覆盖所有洋盆的全球测试集上评估天目-TC。该设计确保涵盖广泛TC场景，包括不同强度、路径和环境条件。值得注意的是，为避免过长训练时间和计算成本，模型仅在1950至2016年西北太平洋（WP）TC数据上训练。这突出了模型超出训练域的泛化能力，显示其在区域训练后仍能在未见洋盆表现稳健。时间分辨率为6小时。为公平比较，遵循TCNM\[31\]方法，采样数设为6，即模型生成6种可能趋势。模型架构、训练设置和数据集的更多细节见“材料与方法”部分。  

天目-TC通过引入物理驱动约束降低预测不确定性，这些约束包括历史信息约束（C1）、大气环境约束（C2）和TC内部结构变化约束（C3）。我们在全球测试区域将其性能与权威数值天气预报系统、基于深度学习的方法以及确定性和集合式大规模气象基础模型进行比较。此外，我们研究了模型在……