TC-Next：零样本多模态气旋预测

# TC-Next：零样本多模态气旋预报模型  
来源：https://arxiv.org/html/2609.02085  

王哲††贡献相同\*. 单位：卡内基梅隆大学  
单位：美国宾夕法尼亚州匹兹堡市 15213  
邮箱：[zhew2@andrew\.cmu\.edu](mailto:)  

陈思杰¹¹同上\¹\  
单位：卡内基梅隆大学  
单位：美国宾夕法尼亚州匹兹堡市 15213  
邮箱：[sijieche@andrew\.cmu\.edu](mailto:)  

罗一鸣  
单位：卡内基梅隆大学  
单位：美国宾夕法尼亚州匹兹堡市 15213  
邮箱：[yimingl1@andrew\.cmu\.edu](mailto:)  

金大贤  
张千怡  
单位：杜伦大学  
单位：英国杜伦市  
邮箱：[chien\-yi\.chang@durham\.ac\.uk](mailto:)  

###### 摘要  

我们提出热带气旋下一代预测模型（TropicalCycloneNext，TC\-Next），一个多模态深度学习模型，通过利用基础模型预测的大气运动学与热力学场以及GridSat红外卫星图像，在6–24小时的预报提前量下预测热带气旋的路径和强度。该模型仅基于西太平洋（WP）的GraphCast预报数据进行训练，但仅依赖通用大气变量。TC\-Next在GraphCast上的路径误差较基于规则的常规追踪器TempestExtremes降低了15–44%，强度误差降低至其1/3–1/6；无需重新训练即可应用于Pangu\-Weather和IFS HRES的预报场，其性能在两者上均优于TempestExtremes。将TC\-Next零样本应用于WeatherNext Cyclones模型在2025年西太平洋季节的通用气象场时，在确定性对比中，其强度误差在所有提前量上均更低，路径误差更低或相当。消融研究表明，我们的多模态模型能够利用额外模态在各提前量下提升路径跟踪精度，并在较长提前量下改善强度预测。

## 1 引言  

热带气旋（TCs）是最致命的气候灾害之一，在气候变暖的背景下，这一威胁正在加剧\[1 (https://arxiv.org/html/2609.02085#bib.bib4)，2 (https://arxiv.org/html/2609.02085#bib.bib5)\]\。大规模疏散依赖于准确的路径和强度预报，例如2025年在145节超强台风“拉加萨”（Ragasa）登陆前，成功疏散了超过两百万人\[3 (https://arxiv.org/html/2609.02085#bib.bib6)\]\。因此，改进这些预报是气候适应中一种具体且高效的形式。近年来深度学习的进展催生了天气基础模型，包括确定性模型如GraphCast\[4 (https://arxiv.org/html/2609.02085#bib.bib7)\]、Pangu\-Weather\[5 (https://arxiv.org/html/2609.02085#bib.bib8)\]和Aurora\[6 (https://arxiv.org/html/2609.02085#bib.bib11)\]，以及概率模型如GenCast\[7 (https://arxiv.org/html/2609.02085#bib.bib9)\]和FGN\[8 (https://arxiv.org/html/2609.02085#bib.bib10)\]，它们能够预报全球大气状态，在匹配或超越业务数值天气预报（NWP）性能的同时，运行速度快了几个数量级。虽然这些模型能够很好地重现TC路径\[4 (https://arxiv.org/html/2609.02085#bib.bib7),7 (https://arxiv.org/html/2609.02085#bib.bib9)\]，但在强度预测上存在困难。当使用如TempestExtremes\[9 (https://arxiv.org/html/2609.02085#bib.bib17)\]等TC追踪器从其场中读取强度时，在短期提前量下结果并不比持续性预报更好\[10 (https://arxiv.org/html/2609.02085#bib.bib18)\]。此外，它们所训练的ERA5再分析数据\[11 (https://arxiv.org/html/2609.02085#bib.bib3)\]与最佳路径数据相比，存在12–15米/秒的强度误差\[12 (https://arxiv.org/html/2609.02085#bib.bib1)\]，这是由于分辨率限制和同化过程造成的\[13 (https://arxiv.org/html/2609.02085#bib.bib15)\]。

先前的工作主要通过三种方式解决这个问题。首先，WeatherNext Cyclones（WN\-C）\[14 (https://arxiv.org/html/2609.02085#bib.bib12)\]在底层天气模型上扩展了TC特定特征通道，使用最佳路径标签进行训练，并通过一个专门的启发式直接追踪器提取路径和强度。这达到了最先进的强度性能，但代价是追踪器和TC模块被锁定在该专用模型上。其次，FuXi\-TC使用扩散模型将粗分辨率0.25°的FuXi预报场降尺度至0.1°的WRF\[15 (https://arxiv.org/html/2609.02085#bib.bib25)\]模拟场，以解析风暴紧密的内核\[13 (https://arxiv.org/html/2609.02085#bib.bib15)\]。然而，其强度技巧低于其教师模型WRF\-0.1。第三，近年来提出了许多不利用基础模型的端到端模型\[16 (https://arxiv.org/html/2609.02085#bib.bib13),17 (https://arxiv.org/html/2609.02085#bib.bib16),18 (https://arxiv.org/html/2609.02085#bib.bib14), 例如\]。尽管这些模型在强度预测方面相对成功，但它们无法匹敌基础模型所达到的路径技巧。此外，目前还没有任何方法在跨不同预报模型实现零样本迁移的同时，还能利用风暴核心的卫星观测数据。

我们引入热带气旋下一代预测模型（TropicalCycloneNext，TC\-Next），这是一个多模态深度学习模型，旨在预测西太平洋（WP）流域的TC路径和强度。TC\-Next使用基础模型的预报场（这些场提供了已知影响TC强度的大尺度引导流和热力学环境条件），以及高分辨率（0.07°）GridSat卫星图像\[19 (https://arxiv.org/html/2609.02085#bib.bib2)\]（提供了风暴相关的对流结构）。我们的贡献有三方面：  
1. **最先进的零样本迁移：**  
   我们将*零样本迁移*定义为在推理时用一个未见过的源\(F^\prime\)替换训练时的预报源\(F=\mathrm{GraphCast}\)（公开发布的在ERA5 1979–2017上训练的0.25°、37层检查点），无需重新训练或修改任何其他输入。唯一的例外是在表1 (https://arxiv.org/html/2609.02085#S3.T1)中与WN\-C的比较：那里，IFS HRES分析帧替换了ERA5历史帧，以匹配WN\-C微调所在的分析分布，TC Vitals模块进一步用实时TC Vitals估计值替换了IBTrACS锚点。  
   我们在AI和数值预报模型上进行了全面的零样本分布外（OOD）评估。尽管仅在GraphCast上训练，TC\-Next仍实现了最先进的迁移性能：在确定性设置中优于当前SOTA（WN\-C）的专用直接追踪器（表1 (https://arxiv.org/html/2609.02085#S3.T1)），并且在多个AI基础模型以及HRES数值模型上，在所有提前量下，其路径和强度误差均持续超过TempestExtremes基线，路径误差降低15–49%，强度误差降低至其1/2–1/6（表2 (https://arxiv.org/html/2609.02085#S3.T2)）。  
2. **多模态有效性：**  
   对卫星红外（IR）分支的消融研究表明，多模态输入在所有提前量下降低了路径误差，并从+18小时开始改善强度误差。其效益随提前量增加而增大，在+24小时达到峰值（表3 (https://arxiv.org/html/2609.02085#S3.T3)）。  
3. **跨模型可移植性：**  
   TC\-Next仅要求预报源提供通用大气变量（表5 (https://arxiv.org/html/2609.02085#A1.T5)；SST从分析场持续而来）。因此，同一个训练好的模型可以应用于不同的预报源，为评估TC预报技巧提供了一个通用的学习型追踪器。

## 2 方法  

### 问题定义  

我们在提前量集合\(\mathcal{L}=\{6,12,18,24\}\,\mathrm{h}\)下预报TC路径和强度。给定直到时间\(t\)的观测数据，网络\(f_{\theta}\)为每个提前量\(\ell\)输出原始的中心和范围更新\(\mathbf{a}_{\ell},\mathbf{s}_{\ell}\in\mathbb{R}^{2}\)以及强度增量\(u_{\ell}\in\mathbb{R}\)：  

\[
\big\{(\mathbf{a}_{\ell},\mathbf{s}_{\ell},u_{\ell})\big\}_{\ell\in\mathcal{L}}=f_{\theta}\!\left(E_{t-24:t},S_{t-24:t},\hat{E}^{F}_{t+6:t+24},\mathbf{c}_{t-24:t},\mathbf{v}_{t-24:t}\right).
\tag{1}
\]  

中心和强度更新从时间\(t\)开始自回归应用：  

\[
\hat{\mathbf{c}}_{t+\ell}=\hat{\mathbf{c}}_{t+\ell-6}+\delta\tanh(\mathbf{a}_{\ell}),\qquad\hat{v}_{t+\ell}=\hat{v}_{t+\ell-6}+u_{\ell},
\tag{2}
\]  

其中\(\delta=4^{\circ}\)限制了每个轴上每步的移动范围；\(\hat{\mathbf{c}}_{t+\ell}\)和\(\hat{v}_{t+\ell}\)是\(t+\ell\)时刻预测的中心和强度。这里，\(E_{t-24:t}\in\mathbb{R}^{5\times H\times W\times C}\)包含5个历史大气帧，其中\(H\times W=280\times 420\)网格单元（在\(0.25^{\circ}\)分辨率下覆盖\(70^{\circ}\times 105^{\circ}\)区域），\(C=12\)个通道（表5 (https://arxiv.org/html/2609.02085#A1.T5)）；\(S_{t-24:t}\in\mathbb{R}^{5\times 256\times 256\times 2}\)包含5个IR帧，每帧是\(16^{\circ}\)窗口的亮温及其有效掩码；\(\mathbf{c}_{t-24:t}\in\mathbb{R}^{5\times 2}\)表示历史中心；\(\mathbf{v}_{t-24:t}\in\mathbb{R}^{5}\)是历史强度。四个未来大气帧\(\hat{E}^{F}_{t+6:t+24}\in\mathbb{R}^{4\times H\times W\times C}\)来自天气基础模型\(F\)在时间\(t\)初始化的预报。范围\(\mathbf{s}_{\ell}\)更新一个围绕风暴的辅助框（来自USA\_R34风半径），使得损失函数能够同时根据距离和风暴大小来判断位置偏差；其更新规则见公式（3 (https://arxiv.org/html/2609.02085#S2.E3)）。历史窗口固定为五个时间步，但历史锚点是可选的：只有锚点\((\mathbf{c}_{t},v_{t})\)必须是观测值，因此可以从风暴的首次定位开始发布预报²²风暴首次记录之前的历史时间步在训练和推理时都用零填充并掩码。  

### 数据  

为训练TC\-Next，我们构建了一个数据集，结合了ERA5再分析数据（用于风暴的观测历史）和GraphCast预报数据（用于未来的提前量时间步），以及GridSat\-B1中接近\(11\,\mu\mathrm{m}\)的IR亮温数据和来自IBTrACS的风暴状态数据。从每个大气数据源，我们裁剪一个固定的、以西太平洋流域为中心的\(70^{\circ}\times 105^{\circ}\)区域；分辨率为\(0.07^{\circ}\)的IR数据被重采样至\(0.0625^{\circ}\)，并在每个历史时间步以风暴的观测位置为中心裁剪成\(16^{\circ}\)的窗口。风暴中心遵循IBTrACS的最佳路径，强度是1分钟最大持续风速（USA\_WIND）。  

一个训练样本锚定于时间\(t\)的单个IBTrACS定位点。在截至时间\(t\)的五个6小时时间步中，它收集ERA5、IR数据以及TC的位置和强度，并掩码任何早于风暴首次记录的时间步。它还包含在时间\(t\)初始化的四个GraphCast预报帧。作为目标，我们使用风暴从\(t+6\)到\(t+24\)小时的位置和强度，并掩码超出其最终记录的任何提前量。每个后面6小时跟着另一个域内定位点的域内定位点都是一个样本；从未达到热带风暴强度（峰值USA\_SSHS<0）的风暴被丢弃。详细信息见附录A (https://arxiv.org/html/2609.02085#A1)。我们按时间顺序划分数据以防止时间泄漏：训练集（1990–2017年）、验证集（2018年）和测试集（2019–2020年），分别包含来自801、34和57个风暴的28,962、1,171和1,815个样本。为避免与WN\-C的训练数据（截至2024年）在时间上重叠，我们使用一个单独的2025年测试集（包含来自29个风暴的867个样本）对其进行评估。在评估时，我们在每个单独的提前量上对路径和强度进行评分：路径误差是平均大圆距离（公里），强度误差是平均绝对误差（节）。除了GraphCast，我们还从WeatherBench2存档\[21 (https://arxiv.org/html/2609.02085#bib.bib20)\]中获取Pangu\-Weather\[5 (https://arxiv.org/html/2609.02085#bib.bib8)\]和IFS HRES\[20 (https://arxiv.org/html/2609.02085#bib.bib24)\]的预报，并从TC Vitals\[22 (https://arxiv.org/html/2609.02085#bib.bib19)\]获取实时风暴估计值。  

### 模型  

TC\-Next是一个具有360万参数的多模态编码器\-解码器架构，可在TPU v4\-8虚拟机上于不到70分钟内完成训练。它的两个编码器分别处理大气场和卫星图像，处理它们各自的输入分辨率。一个*宏观*卷积神经网络（CNN）将每个大气帧映射到一个\(2^{\circ}\)的特征网格。一个步长更小的*微观*CNN处理以每个历史时间步观测到的风暴位置为中心的\(16^{\circ}\) GridSat窗口及其逐像素有效掩码，在\(0.25^{\circ}\)网格上生成特征。宏观特征图被送入区域建议网络（RPN）\[23 (https://arxiv.org/html/2609.02085#bib.bib21)\]，用于预测一个以风暴为中心的建议框和范围，在每个历史时间步直接使用中心和风半径框进行监督，从而为宏观CNN提供一条绕过循环编码器\-解码器的梯度路径。然后，RoIAlign\[24 (https://arxiv.org/html/2609.02085#bib.bib22)\]从两个特征图中提取围绕建议中心的地理对齐的\(10^{\circ}\)窗口，低秩多模态融合\[25 (https://arxiv.org/html/2609.02085#bib.bib23)\]将所得表示相结合；见公式（5 (https://arxiv.org/html/2609.02085#A2.E5)）。  

编码器LSTM处理五个融合的历史表示，并初始化一个解码器LSTM。在每个预报提前量\(\ell\)，解码器从\(t+\ell\)时刻宏观编码的预报帧中提取一个\(10^{\circ}\)窗口，以其中心位于先前预测的风暴位置。独立的预测头产生公式（2 (https://arxiv.org/html/2609.02085#S2.E2)）中的中心和强度更新以及一个范围更新\(\mathbf{s}_{\ell}\)，用于缩放预测的框范围\(\hat{\mathbf{r}}_{t+\ell}\in\mathbb{R}^{2}\)（宽度和高度）：  

\[
\hat{\mathbf{r}}_{t+\ell}=\operatorname{clip}_{\left[2^{\circ},10^{\circ}\right]}\!\Big(\hat{\mathbf{r}}_{t+\ell-6}\odot\exp\!\big(\tanh(\mathbf{s}_{\ell})/2\big)\Big).
\tag{3}
\]  

解码器在时间\(t\)从最后一个RPN建议初始化\(\hat{\mathbf{c}}_{t}\)和\(\hat{\mathbf{r}}_{t}\)，并设置\(\hat{v}_{t}=v_{t}\)。因此，每个预报更新了风暴位置、范围和强度的现有估计——这是预报被锚定的方式——然后解码器在可用的预报帧上自回归地向前滚动。架构和训练细节，包括公式（6 (https://arxiv.org/html/2609.02085#A2.E6)）中的损失函数，见附录B (https://arxiv.org/html/2609.02085#A2)。

## 3 实验与结果  

我们在三种设置下评估TC\-Next：（1）与WN\-C的直接追踪器在2025年西太平洋季节上进行对比（表1 (https://arxiv.org/html/2609.02085#S3.T1)）；（2）与配置如TCBench\[10 (https://arxiv.org/html/2609.02085#bib.bib18)\]中的TempestExtremes\[9 (https://arxiv.org/html/2609.02085#bib.bib17)\]，在2019–2020年西太平洋季节的汇总数据上，跨越三个预报源进行对比（表2 (https://arxiv.org/html/2609.02085#S3.T2)）；以及（3）与