《Weather and Climate Extremes》：An approach for detecting and tracking tropical cyclones with application to forecasting their wind hazards
编辑推荐：
热带气旋（TC）与极端风相关，可能对结构、基础设施系统和建筑物造成损害，导致经济损失和人员伤亡。预报的TC路径和TC风害结果可被应急准备规划人员用于保护生命和财产，减少损失成本。在本研究中，训练了一个基于Unet++架构的模型来检测和追踪TC。训练聚焦于发生在
热带气旋（TC）与极端风相关，可能对结构、基础设施系统和建筑物造成损害，导致经济损失和人员伤亡。预报的TC路径和TC风害结果可被应急准备规划人员用于保护生命和财产，减少损失成本。在本研究中，训练了一个基于Unet++架构的模型来检测和追踪TC。训练聚焦于发生在西北太平洋盆地的TC或台风活动，并使用欧洲中期天气预报中心（ECMWF）的ERA5再分析数据集进行。将识别出的TC路径与中国气象局（CMA）的最佳TC路径数据集进行比较，表明训练后的模型具有非常好的精确率和召回率，分别为87%和96%。此外，由所开发模型检测和追踪的登陆TC的统计特征与最佳TC路径数据集吻合良好。基于ECMWF的综合预报系统（IFS）模型和美国国家环境预报中心（NCEP）的全球预报系统（GFS）模型提供的全球天气预报，应用新开发的模型检测和预报了2024年发生的TC。比较表明，使用所开发模型结合IFS模型提供的天气预报所预报的TC中心位置，优于或可与多个不同机构报告的预报TC路径相媲美。此外，提出并阐述了一个基于所开发模型预报的TC路径、一个用于估算中心气压的经验关系式以及梯度风场模型来预报TC风害的简单实用框架。
热带气旋（TC）是造成极端风害的主要天气系统，常导致建筑物、基础设施损坏及人员伤亡。现有TC路径预报方法包括统计模型（如自回归模型）和物理追踪器，但前者在具体路径预报中存在较大不确定性，后者依赖阈值选择，主观性强且难以在不同模型和气候条件下推广。近年来，机器学习方法（如卷积神经网络CNN）被用于TC检测，但存在定位精度不足或仅提供区域级指示的问题。为此，研究人员基于Unet++架构，利用ERA5再分析数据训练了一个自动检测和追踪TC的模型，并评估其应用于预报2024年TC路径及风害的可行性。该研究发表于《Weather and Climate Extremes》，主要结论包括：训练模型在测试集上精确率87%、召回率96%，登陆TC的统计特征与CMA最佳路径一致；将模型应用于ECMWF-IFS和NCEP-GFS的天气预报数据，所得TC中心位置预报优于或等同于多家机构，尤其使用ECMWF-IFS数据时表现更优；此外，提出了一个结合经验中心气压关系与梯度风场模型的TC风害预报框架。研究意义在于提供了一种可迁移的深度学习TC检测与追踪方法，为风害预警提供了实用工具。
关键技术方法概述：研究人员采用以下主要方法：1) 使用Unet++架构作为骨干网络，并嵌入门控注意力机制以增强TC核心区域聚焦；2) 输入数据为ERA5再分析数据中的850hPa相对涡度、平均海平面气压、300/500/700hPa温度（6小时间隔），并经过标准化和几何变换增强；3) 采用焦点损失函数（focal loss）处理类别不平衡，训练优化器为Adam；4) 后处理使用概率阈值（pTH=0.5）和形态学方法（4邻域结构元素）识别TC中心，并通过追踪算法连接相邻时间步中心（距离<420km，路径持续时间≥48h，曲率>0.3）形成路径；5) 预报应用使用ECMWF-IFS和NCEP-GFS的72h天气预报数据，样本来源为CMA最佳路径数据集（1981-2023，西北太平洋盆地）及2024年TC事件。
研究结果：
2. TC track database, reanalysis data and weather forecast data：通过分析CMA最佳路径数据集（1981-2023，共1259条TC路径，23829个中心点），发现年TC生成数均值为29.3，年登陆中国大陆均值为6.1。ERA5再分析数据（0.25°分辨率）提供6小时850hPa相对涡度、平均海平面气压及300/500/700hPa温度，用于训练。ECMWF-IFS和NCEP-GFS的天气预报数据被下载并重采样至ERA5网格用于预报验证。数据预处理包括标准化和几何变换（垂直/水平翻转），并按8:1:1随机分割为训练、验证、测试集。
3. Development of the model for detecting the TC centre and tracking the TC：基于Unet++架构，嵌入门控注意力机制，采用焦点损失函数（αF=0.75）训练。测试集上，概率阈值pTH=0.5时精确率85%、召回率94%，平均定位误差42.2km。消融实验表明，使用三个输入变量（RV850, MSLP, TEMs）时定位误差最小。追踪算法形成路径后，与CMA路径对比，1981-2023年路径级精确率88%、召回率92%。登陆TC的年发生数、平移速度、平移方向统计特征与CMA吻合良好，但ERA5提取的中心气压和风速低于CMA报告值，表明再分析数据低估TC强度。
4. Application of the developed model for forecasting the TC track：将训练模型应用于2024年TC预报（使用ECMWF-IFS和NCEP-GFS的72h预报数据），与CMA实际路径及多家机构预报比较。以GAEMI、YAGI、BEBINCA、KONG-REY为例，预报路径与实际路径吻合良好。定量统计显示，使用ECMWF-IFS数据时，RMSE、MAE等指标优于或相当于ECMWF自身预报及其他机构；显著性检验表明，在大多数预报时长下，模型预报误差显著小于ECMWF（p<0.05）。此外，基于预报路径，建立了Vmax,F与中心气压pc的经验关系（Vmax,F = A(1010-pc)^γ，A≈6.0，γ≈0.40 for ECMWF-IFS），并基于Holland气压剖面和梯度风场模型，结合海陆差异因子，提出了风害预报框架，以2024年一次主要TC为例展示了10m高度10分钟平均风速分布。
总结讨论部分：论文在讨论中指出，使用ECMWF-IFS数据时模型表现优于NCEP-GFS，可能源于训练数据（ERA5）与ECMWF同源，且ECMWF-IFS的预报场更精确。模型在TC消散阶段能识别更多弱气旋，导致预报路径略长于机构报告，但可通过时间连续性约束进一步过滤。风害预报框架中使用的经验关系基于有限数据，未来需用历史预报数据进一步校准。总体而言，模型展示了良好的可迁移性，为TC路径和风害实时预报提供了实用工具。
研究结论部分翻译：在本研究中，训练了一个基于Unet++架构的模型来检测和追踪热带气旋路径。训练聚焦于发生在西北太平洋盆地的TC或台风活动，并使用ECMWF的ERA5再分析数据集进行。将识别出的TC路径与中国气象局的最佳TC路径数据集进行比较，表明训练后的模型具有87%的精确率和96%的召回率。对由开发模型检测和追踪的登陆TC的年发生数、平移速度和平移方向的统计特征与最佳TC路径数据集进行比较，表明它们吻合良好。基于ECMWF-IFS模型和NCEP-GFS模型提供的全球天气预报，应用新开发的模型检测和追踪了2024年发生的TC。比较表明，使用开发模型结合ECMWF-IFS模型预报的TC中心位置优于或可与多个机构报告的预报TC路径相媲美。比较还表明，开发模型在预报2024年TC路径方面略优于ECMWF自身模型，而ECMWF使用的模型优于其他机构使用的模型，特别是在短期预报（48小时以内）。此外，基于开发模型预报的TC路径、一个用于估算中心气压的经验关系式以及梯度风场模型，提出了一个简单实用的TC风害预报框架。该框架的应用以2024年一次主要TC为例进行了说明。
