arXiv cs.AI· Zhe Wang, Sijie Chen, Yiming Luo, Daehyun Kim, Chien-Yi Chang·· 3 天前AI 评分27
TC-Next：零样本多模态热带气旋预报模型
TC-Next: Zero-Shot Multimodal Cyclone Forecasting
AI 导读
多模态深度学习模型 TC-Next 可基于 GraphCast 预报与 GridSat 红外卫星图像，实现 6-24 小时热带气旋路径与强度预报。在 GraphCast 上，其路径误差较规则追踪器 TempestExtremes 降低 15-44%，强度误差降至 1/3-1/6，且无需重训练即可迁移至 Pangu-Weather 和 IFS HRES。
正文 · AI 翻译
摘要：我们提出 TropicalCycloneNext（TC-Next），一种多模态深度学习模型，通过利用基础模型对大气运动学和热力学场的预报，以及 GridSat 红外卫星图像，在 $6-24$ 小时预报时效上预测热带气旋路径和强度。TC-Next 仅在西太平洋（WP）的 GraphCast 预报上训练，且仅依赖通用大气变量，在 GraphCast 上相较于基于规则的追踪器 TempestExtremes，将路径误差降低 $15-44\%$，强度误差降低 $3-6$ 倍；在无需重新训练的情况下应用于 Pangu-Weather 和 IFS HRES 预报时，它在两项指标上均保持领先。在 2025 年 WP 季对 WeatherNext Cyclones 的通用天气场进行零样本应用时，在确定性比较中，它在每个预报时效上均取得更低的平均强度误差，以及更低或相当的平均路径误差，优于该模型的专用直接追踪器。消融实验表明，卫星分支在每个预报时效上均降低路径误差，并在较长预报时效上降低强度误差。因此，TC-Next 为比较那些为气旋预警和气候适应决策提供依据的 AI 预报提供了一个共同、可独立验证的基础，作为最佳可用科学。
| 评论： | 4 页；已被 NeurIPS 2026 Tackling Climate Change with Machine Learning Workshop 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2609.02085 [cs.LG] |
| （或 arXiv:2609.02085v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.02085 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Chien-Yi Chang [查看电子邮件]
[v1]
2026 年 9 月 2 日星期三 04:17:22 UTC（43 KB）
[v2]
2026 年 10 月 13 日星期二 12:30:07 UTC（44 KB）
来源：arXiv cs.AI · arxiv.org