基于TCftNet深度学习框架的热带气旋全路径模拟与气候变化响应研究

《Global and Planetary Change》：Advanced deep learning framework for full-track modeling of tropical cyclones under future climate scenarios

本文提出新型深度学习框架TCftNet（Tropical Cyclone Full Track Network），通过整合Transformer序列建模、卷积注意力模块（CBAM）和多层感知机（MLP），实现气候变化情景下热带气旋（TC）全路径的高效模拟。该模型突破传统统计与动力方法的局限，显著提升西北太平洋（NWP）海域TC路径偏移、强度分布及内陆渗透等关键特征的预测精度，为风灾风险评估（SSP5-8.5等场景）提供创新工具。

　　

Highlight

本研究通过梯度敏感性分析揭示：海表温度（SST）虽为热带气旋（TC）活动的关键驱动因子，但深层大气变量（如多层级引导气流、流出层温度）通过非线性相互作用共同调控TC行为。TCftNet框架的动态注意力权重可视化进一步证实，中纬度西风急流与副热带高压的协同变化是导致未来TC路径北移（poleward shift）的核心机制。

Sensitivity Analysis and Discussion

如Emanuel和Sobel（2013）强调，TC活动不仅依赖于海表温度（SST），更受表面风速、流出层温度等大尺度气候因子调控。本研究尝试从深度学习视角探索这些环境变量如何影响TC活动。采用基于梯度的敏感性分析量化各因素重要性，通过计算损失函数对输入特征的偏导数，具体而言，前向传播过程中……

Summary

本文提出TCftNet这一新型深度学习框架，用于模拟气候变化条件下的热带气旋（TC）全路径。该框架作为传统统计与动力方法的强有力替代方案，包含三大模块：基于Transformer的序列特征提取模块（捕捉TC移动与方向内在规律）、卷积注意力模块（CBAM，建模动态与热力学变量间复杂非线性耦合效应），以及多层感知机（MLP，自适应调控多层级气流影响）。