全球热带气旋预报的基准数据集与深度学习方法：TropiCycloneNet的创新突破

为解决热带气旋(TC)预测中数据匮乏与模型精度不足的问题，研究人员开发了多模态数据集TCND和集成AI-气象学的预测模型TCNM。该研究覆盖全球六大洋盆70年数据，通过环境时间网络(Env-T-Net)和多生成器架构(GC-Net)显著提升轨迹与强度预测精度，超越现有深度学习方法和官方气象机构。成果为灾害防控提供了开源工具，推动数据驱动的气象研究。

　　

热带气旋(TC)是威胁人类社会的重大自然灾害，其预测精度直接关系到防灾减灾成效。然而，传统数值天气预报(NWP)依赖超算资源且成本高昂，而现有深度学习模型又受限于数据单一性和环境因素整合不足，难以实现高精度预测。更棘手的是，全球缺乏开放的多模态TC数据集，阻碍了AI技术在气象领域的深度应用。

针对这一挑战，浙江大学的Cheng Huang、Pan Mu团队联合多家机构开发了TropiCycloneNet系统。该系统包含两个核心部分：全球首个开源多模态TC数据集TCN_D，以及融合气象学知识的深度学习模型TCN_M。研究成果发表于《Nature Communications》，为TC预测领域树立了新标杆。

研究团队采用三大关键技术：1) 通过ERA5再分析数据和IBTrACS等公开资源构建包含3630个TC的多模态数据集，整合一维属性(Data_1d)、三维气象场(Data_3d)和环境数据(Env-Data)；2) 设计环境时间网络(Env-T-Net)捕捉TC与环境因子的动态交互；3) 开发多生成器架构(GC-Net)生成多种可能路径，模拟气象预报中的不确定性。

数据集构建与验证
TCN_D覆盖1950-2021年全球六大洋盆数据，包含经纬度、气压等Data_1d，以及海温(SST)、位势高度(500 hPa)等Data_3d。环境数据创新性地引入副热带高压位置、移动速度等关键因子。如图3所示，数据集包含不同强度等级的TC分布，其中西太平洋(WP)占比最高(1781例)。

模型架构创新
TCN_M采用生成对抗网络(GAN)框架，其核心突破在于：

1. 3D-Data Encoder基于3D-Unet处理气象场数据，如图2红色分支所示；
2. Env-T-Net通过Transformer建模环境时序特征(图2金色分支)；
3. GC-Net通过概率选择机制激活不同生成器，输出多组预测轨迹(图2底部轮盘设计)。

性能验证
实验显示，TCN_M在24小时预测中，轨迹误差(93.76 km)比官方预报(CMO)降低20%，强度预测误差(1.75 m/s)降低52%。如图5所示，在快速增强(RI)和转向(Recurving)等极端案例中，其性能优势更为显著。图6可视化对比显示，TCN_M的预测区域(橙色)比MMSTN(蓝色)更贴近实际路径(红色)。

这项研究的里程碑意义在于：首次构建了全球尺度的开源TC数据集TCN_D，解决了AI气象研究的"数据荒"问题；提出的TCN_M模型通过环境因子融合和多生成器机制，实现了气象学原理与AI技术的协同优化。特别是Env-T-Net模块，开创性地将副热带高压等环境动态纳入深度学习框架，为极端天气预测提供了新范式。未来，该成果可与Pangu-Weather等大模型结合，进一步提升长期预测能力，为全球气候变化背景下的灾害防控提供关键技术支撑。