PNAS刊發(fā)海洋所快速增強(qiáng)臺(tái)風(fēng)研究成果
近日,中國(guó)科學(xué)院海洋研究所李曉峰團(tuán)隊(duì)在《美國(guó)國(guó)家科學(xué)院院刊》(PNAS,Proceedings of the National Academy of Sciences)發(fā)表題為"Advancing Forecasting Capabilities: A Contrastive Learning Model for Forecasting Tropical Cyclone Rapid Intensification"的突破性研究成果。該研究針對(duì)全球性的臺(tái)風(fēng)快速增強(qiáng)(Rapid Intensification)預(yù)報(bào)難題,首創(chuàng)基于對(duì)比學(xué)習(xí)(Contrastive Learning)的人工智能模型,相較于傳統(tǒng)業(yè)務(wù)化預(yù)報(bào)方法,將快速增強(qiáng)事件的預(yù)報(bào)準(zhǔn)確率從50%顯著提升至92.3%,提升約2倍;與現(xiàn)有最優(yōu)深度學(xué)習(xí)模型相比,誤報(bào)率由27%大幅降至8.9%,降幅達(dá)3倍,為全球臺(tái)風(fēng)災(zāi)害預(yù)警提供了革命性技術(shù)方案。
臺(tái)風(fēng)快速增強(qiáng)定義為24小時(shí)內(nèi)最大持續(xù)風(fēng)速增加超過(guò)13米/秒,是臺(tái)風(fēng)突變致災(zāi)的主要原因。然而,由于快速增強(qiáng)事件僅占所有臺(tái)風(fēng)事件的5%,且受復(fù)雜的物理機(jī)制影響,傳統(tǒng)的數(shù)值和統(tǒng)計(jì)模型的預(yù)報(bào)準(zhǔn)確率僅為50%?,F(xiàn)有深度學(xué)習(xí)模型雖將預(yù)報(bào)準(zhǔn)確率提升至82%,但誤報(bào)率仍高達(dá)27%。研究團(tuán)隊(duì)針對(duì)這一挑戰(zhàn)運(yùn)用對(duì)比學(xué)習(xí)技術(shù)突破數(shù)據(jù)不平衡瓶頸,并融合三維大氣海洋環(huán)境數(shù)據(jù)、衛(wèi)星紅外影像及臺(tái)風(fēng)歷史信息,實(shí)現(xiàn)臺(tái)風(fēng)空間結(jié)構(gòu)與動(dòng)力—熱力特征的協(xié)同解析,從而顯著提升預(yù)報(bào)精度。

對(duì)比學(xué)習(xí)模型結(jié)構(gòu)圖。在操作時(shí),將每個(gè)未知臺(tái)風(fēng)樣本(輸入Input-A)與10個(gè)已知的快速增強(qiáng)臺(tái)風(fēng)樣本(輸入Input-B)進(jìn)行比較,如果超過(guò)5個(gè)結(jié)果預(yù)報(bào)其為快速增強(qiáng)臺(tái)風(fēng),則將其預(yù)報(bào)為快速增強(qiáng)臺(tái)風(fēng)。
研究團(tuán)隊(duì)指出,模型性能的提升主要得益于兩大創(chuàng)新。其一,對(duì)比學(xué)習(xí)(如圖)有效平衡了樣本數(shù)量,并精準(zhǔn)區(qū)分快速增強(qiáng)事件與普通事件的特征差異,從而提高預(yù)報(bào)穩(wěn)定性。其二,三維環(huán)境數(shù)據(jù)的融合增強(qiáng)了對(duì)臺(tái)風(fēng)動(dòng)力、熱力及結(jié)構(gòu)時(shí)空關(guān)聯(lián)的捕捉能力,使模型能夠更準(zhǔn)確地識(shí)別快速增強(qiáng)事件。
此外,研究團(tuán)隊(duì)還對(duì)誤報(bào)案例進(jìn)行了深入分析,發(fā)現(xiàn)低強(qiáng)度臺(tái)風(fēng)及特定環(huán)境條件可能導(dǎo)致誤報(bào)。未來(lái),結(jié)合專(zhuān)家經(jīng)驗(yàn)輔助修正,有望進(jìn)一步提升預(yù)報(bào)精度,為臺(tái)風(fēng)災(zāi)害預(yù)警提供更加精準(zhǔn)可靠的技術(shù)支持。
論文第一作者為中國(guó)科學(xué)院海洋研究所王充助理研究員,通訊作者為李曉峰研究員,合作作者為楊楠助理研究員。該研究獲得了國(guó)家自然科學(xué)基金創(chuàng)新群體項(xiàng)目、國(guó)家自然科學(xué)基金項(xiàng)目、中國(guó)科學(xué)院戰(zhàn)略先導(dǎo)專(zhuān)項(xiàng)等聯(lián)合資助。
論文信息:
Wang, C., Yang, N., & Li, X. (2025). Advancing forecasting capabilities: A contrastive learning model for forecasting tropical cyclone rapid intensification.?Proceedings of the National Academy of Sciences, 122(4), e2415501122.?https://doi.org/10.1073/pnas.2415501122
附件下載:
魯公網(wǎng)安備37020202001323號(hào) | 古鎮(zhèn)口園區(qū)地址:青島市西海岸新區(qū)海軍路88號(hào) 南海路園區(qū)地址:青島市市南區(qū)南海路7號(hào) 科考船碼頭基地:青島市西海岸新區(qū)長(zhǎng)江東路8號(hào) |
郵編:266000 郵件:iocas@qdio.ac.cn 電話(huà):0532-82898611 傳真:0532-82898612 |
