基于序列感知的重分析编码方法在台风风速估计中的应用

《IEEE Geoscience and Remote Sensing Letters》：Sequence-Aware Reanalysis Encoding for Typhoon Wind Speed Estimation

本研究提出一种结合Transformer编码器与CNN编码器的轻量级融合框架，用于台风强度预测。通过建模环境动态因素并引入平滑的生命周期指标，显著提升了短时预测精度，MAE为3.48 m/s，RMSE为4.48 m/s，较静态方法降低8%。

　　

摘要：

尽管再分析数据序列已被广泛用于热带气旋（TC）强度预测，但大多数现有方法仍然依赖于单帧或多帧卫星图像，或使用静态环境输入，很少有方法明确地对环境因素的短期时间动态进行建模。在这项研究中，我们通过提出一个轻量级的融合框架来探索序列建模在强度估计任务中对再分析因素的适用性，该框架结合了用于24小时因素序列的Transformer编码器和用于红外卫星图像的卷积神经网络（CNN）编码器。为了结合环境和结构线索，我们应用了一种轻量级的门控机制，在回归之前重新加权时间和空间特征。除了标准的气象输入外，我们还引入了一个平滑的生命周期指标，该指标能够捕捉风暴随时间的发展阶段，使模型能够更好地跟踪时间进展。通过建模时间动态而不是依赖静态输入，我们的方法在1995年至2003年的183个西北太平洋台风数据上实现了平均绝对误差（MAE）为3.48米/秒和均方根误差（RMSE）为4.48米/秒的预测结果，与静态因素基线相比，RMSE降低了8%。

引言

从操作角度来看，热带气旋（TC）风强度研究分为两类：预测（预测未来值）和估计（即时预测当前状况），这在很大程度上取决于实时卫星观测的可用性。在预测任务中，由于缺乏实时卫星数据，通常需要使用再分析得到的环境序列（例如，垂直风切变、海表温度（SST））。先前的研究探索了各种方法：Lee等人[1]将卷积神经网络（CNN）应用于基于再分析的因素序列；Xu等人[2]使用CNN处理二维台风特征和三维风场；Alijoyo等人[3]将CNN与双向长短期记忆网络（Bi-LSTM）结合以捕捉时空模式；Wang等人[4]在欧洲中期天气预报中心（ECMWF）再分析v5（ERA5）序列上引入了因果自回归框架；Jiang等人[5]使用Transformer网络处理历史气旋序列。因此，通过时间神经网络（如长短期记忆网络（LSTM）或Transformer）或时空融合对环境变量进行序列建模，已成为现代TC强度预测框架的核心组成部分。