热带气旋由于其发生频率高、危害程度大、影响范围广、灾害链长，给人类和自然环境带来很大影响。近年来，随着遥感数据的数据量增加，传统的热带气旋路径预报方法(如动力学方法和统计学方法)在处理大量数据时存在一定的局限性，而深度学习方法则表现出了捕捉高维数据中复杂时空特征方面的优势。

近期，上海台风研究所和上海师范大学合作，提出了一种基于卷积长短期记忆网络(ConvLSTM)和空间注意力机制的编码-预测模型(SAN-EFSModel)来预报热带气旋路径。该模型可以充分提取空间特征和长期的时间特征。利用西北太平洋地区的遥感图像(GridSat-B1)和热带气旋最佳路径数据(IBTrACS)对模型进行训练，并与先进的数值天气预报模式(ECMWF-HRES和NCEP-GFS)进行对比试验，结果表明该模型具有较高的预报精度，24小时路径预报误差可减小约30km(表1)。与其他深度学习方法相比，该模型也具有更好的性能(表2)。该模型能够作为现有数值预报方法的重要补充，对于热带气旋路径预报精度改进及台风风险应对具有重要意义。

表1. SAN-EFSModel 模型和ECMWF-HRES、NCEP-GFS的24小时路径预报误差对比(单位为km)。其中，“#” 表示SAN-EFSModel，“MM”表示数值预报方法，包括ECMWF-HRES和NCEP-GFS，“()”内数值表示匹配样本数。

表2. SAN-EFSModel模型和ConvLSTM模型、未使用density map的SAN-EFSModel模型的24小时路径预报误差对比。其中，“#” 表示SAN-EFSModel。

论文信息：

Dong, Pingping, Jie Lian, Hui Yu, Jianguo Pan, Yuping Zhang, and Guomin Chen. "Tropical Cyclone Track Prediction with an Encoding-to-Forecasting Deep Learning Model."Weather and Forecasting (2022).

原文链接：

https://journals.ametsoc.org/view/journals/wefo/37/6/WAF-D-21-0116.1.xml

扫码阅读原文