一种用于热带气旋路径预测的多模态数据融合与物理引导的时序图神经网络

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：A Multi-Modal Data Fusion and Physics-Guided Temporal Graph Neural Network for Tropical Cyclone Track Forecasting

　　•多模态气象数据融合提升了热带气旋路径预测的准确性。•通过编码环境场来提取影响气旋运动的关键特征。•时间图网络模型能够刻画轨迹演化中的非局部依赖关系。•基于物理原理的预测方法可确保轨迹在物理上具有一致性且稳定。

引言
热带气旋是一种强大的气旋性天气系统，它们在热带或亚热带海洋上形成，是全球最具破坏性的自然灾害之一[1]。这类气旋以低压中心、封闭的低层环流、强风以及螺旋状的对流云带为特征，往往还伴随着暴雨、强阵风和风暴潮，从而对自然环境及人类社会造成严重影响[2]。全球每年大约形成80–90个热带气旋，其中近三分之一起源于西北太平洋地区[3]。该区域不仅是全球热带气旋生成最活跃的地区，而且这里的气旋往往更为强烈且持续时间更长，对中国以及东亚和东南亚的沿海地区造成的影响尤为显著。因此，提高热带气旋路径预报的准确性对于灾害预防与减灾、风险预警以及保护沿海地区的生命财产安全具有极其重要的意义[4]。

传统的热带气旋路径预报方法大致可分为数值动力学模型和统计模型两大类[5]。数值模型主要依靠物理方程的构建与数值求解来模拟大气运动及热带气旋的演变过程。常见的业务化模型包括美国国家环境预测中心的全球预报系统（NCEP-GFS）、中国气象局的全球预报系统（CMA-GFS）、日本气象厅的全球谱模型（JMA-GSM）以及欧洲中期天气预报中心的集成预报系统（ECMWF-IFS）[6]。尽管数值模型能够给出较为准确的预报结果，但其性能很大程度上受初始条件精度以及庞大计算资源需求的限制。相比之下，统计模型则利用历史观测数据与统计方法，建立历史状态与未来气旋路径之间的映射关系。例如，经典的“气候学与持续性回归模型”（CLIPER）[7]通过结合气候学信息与持续性特征来进行气旋路径预报，为后续的统计方法奠定了基础。此后，线性回归、支持向量回归和回归树等多种统计与机器学习技术也被广泛应用于气旋路径预报领域[8]、[9]、[10]。虽然这些方法能在一定程度上提升预报精度，但它们过度依赖历史数据的统计特性，往往难以捕捉气旋复杂的非线性行为。

机器学习技术在模拟复杂非线性系统方面展现出强大的通用性与有效性，这一优势促使人们将其应用于气旋路径预报中。现有研究表明，神经网络模型能够在预报问题中学习复杂的非线性映射关系[11]、[12]，而高斯过程回归则在非线性函数逼近和不确定性量化方面具有优势[13]、[14]。此外，图分析方法能够捕捉变量或空间实体之间的依赖结构[15]、[16]，而集合预报或混合预报方法则有助于提升模型的稳健性和泛化能力[17]、[18]。这些研究共同表明，数据驱动方法在处理具有非线性和强相互依赖性的复杂预报问题方面具有巨大潜力，也为基于深度学习的气旋路径预报方法的发展提供了方法论基础。

近年来，人工智能技术的快速发展推动了深度学习方法在大气科学领域的广泛应用。由于深度学习模型具备强大的非线性映射能力、自动特征提取功能以及序列建模优势[19]，它们在遥感图像分析等领域已展现出优异的性能，也逐渐被应用于难度较高的气旋路径预报任务中[20]。例如，Gao等人[21]利用基于历史气旋观测数据训练的长短期记忆网络来提取时间特征，实现了6–24小时的路径预报。Alemany等人[22]则采用循环神经网络来捕捉历史数据中的长期依赖关系，进而提升了路径预报的准确性。Hao等人[6]证明了门控循环单元网络在气旋路径预报中的可行性。更近期地，Jiang等人[23]提出了一种基于Transformer的模型，该模型不仅能预测气旋路径，还能预测其强度，其性能优于基于GRU和LSTM的方法。

尽管取得了这些进展，现有的大多数深度学习方法仍主要关注气旋自身的运动特性，如历史位置和强度，并且大多依赖于对过去轨迹模式的外推。因此，有一个关键的物理因素常常被忽视：气旋路径实际上是由周围的大尺度环境流动所引导的，这些环境流动包括副热带高压、季风槽和中纬度西风带等系统。将描述大尺度环流背景的重分析数据与气旋观测数据相结合，无疑是一个具有明确物理意义且前景广阔的研究方向。例如，Wang等人[5]提出了一种基于历史路径数据并融入重分析数据的GRU-CNN模型，从而提升了预报精度。Yang和Ye[24]开发了一种基于多维特征和时间滞后的卷积神经网络-时间卷积网络模型（MT-CNN-TCN），该模型能够有效整合多模态气象信息，以提高预报性能。Wang等人[25]提出了一种结合三维卷积神经网络与GRU的混合模型，用于预测西北太平洋地区的短期气旋路径。Ma等人[20]则提出了一种基于密度图的预测方法，该方法整合了卫星云图、历史观测数据以及重分析数据，旨在预测特定海洋区域内多个气旋的路径。

然而，尽管现有研究已尝试将重分析数据或多源气象信息引入深度学习模型，以更好地表征气旋所处的环境背景，但仍有一些关键问题需要进一步研究。首先，大多数现有方法仍然依赖传统的卷积或循环网络来处理环境数据，这难以充分捕捉大气环境场的复杂空间结构及其对气旋运动的动态影响。其次，现有模型通常将历史轨迹序列视为普通的时间序列，而忽略了不同历史时间步之间可能存在的非局部依赖关系，这限制了它们表征气旋路径演化内在动力学的能力。此外，许多数据驱动方法直接对未来的经纬度位置进行回归预测。虽然这类方法能够达到一定的数值精度，但它们缺乏必要的物理约束，因此可能导致预测出的路径在物理上不一致。因此，如何在一个统一的框架内有效地整合历史气旋轨迹信息与大尺度环境场信息，同时在模型结构中引入合理的物理约束，以便更准确地描述气旋路径的演化过程，仍是当前研究中的一个重要课题。为了解决上述问题，本文提出了一种多模态数据融合与物理引导的时间图神经网络框架（MP-TGNN），用于实现准确的气旋路径预报。其主要贡献如下：
•提出了用于气旋路径预报的MP-TGNN框架。该框架利用时间图结构来建模气旋运动的时空依赖关系，同时将大尺度环境场作为条件信息纳入其中，从而实现对路径动态与环境因素的联合表征。
•为了从多变量、多层次的大气环境场中提取与气旋路径演化相关的关键信息，本文结合卷积网络与注意力机制，对不同时间步的环境特征进行建模，从而从多种环境变量及不同压力层级中捕捉重要的空间结构信息，进而提升环境条件的表征能力。
•为了更有效地刻画大气环流结构，本文提出了一种复杂风场编码器（CWE），在该编码器中，水平风场的u分量和v分量分别被视为复数值特征的实部与虚部。随后通过复数卷积与注意力机制共同对风速强度和风向信息进行建模。
•为了提升路径预报结果的物理合理性以及多步预报的稳定性，本文并未直接对未来的经纬度位置进行回归预测，而是通过预测气旋的移动速度和方向角，再利用物理传播方程递归推断未来的路径。

数据集说明
中国气象局的最佳路径数据集涵盖了自1949年以来西北太平洋和南海地区的热带气旋情况[26]。该数据集以6小时为间隔提供热带气旋的关键参数，包括气旋中心位置、最低中心气压以及最大持续风速。为刻画热带气旋的结构特征与演化过程，这四个基本气象变量被选作观测编码的输入数据。

方法论
所提模型的整体架构如图1所示。首先，从ERA5重分析数据集中提取气旋周围的大尺度环境信息，然后设计一个环境编码器，通过对多变量气象场进行特征提取，为每个时间步获得环境特征表示。随后，使用时间建模模块对环境特征序列进行编码，以此捕捉其中的结构信息。

模型训练细节
我们的模型采用批量大小为16的方式训练，共进行了200个训练周期。在所有实验中，我们使用了Adam优化器[40]，初始学习率为0.0005，该学习率在训练过程中通过余弦退火策略进行自适应衰减[41]。所有实验均使用Python 3.8在PyTorch环境下实现，并在NVIDIA Quadro RTX 5000 GPU上进行训练。

评估指标
为全面评估所提模型在气旋路径预报方面的性能，我们采用了平均绝对误差（MAE）和均方根误差等指标。

结论
本研究提出了一种MP-TGNN框架，该框架结合多模态数据融合与物理约束，旨在解决环境场信息利用不足、历史轨迹中的时间依赖关系建模不够完善以及气旋路径预报的运动生成一致性较差等问题。所提出的方法融合了中国气象局的最佳路径数据与ERA5重分析数据，利用复杂风场编码器与多模态环境特征提取器来提取关键环境特征，再通过时间图神经网络来建模各种依赖关系。

数据可用性
本研究中使用的气旋最佳路径数据可从中国气象局热带气旋数据中心获取，网址为https://tcdata.typhoon.org.cn。而大气重分析数据则可从欧洲中期天气预报中心的ERA5数据集中获取，地址为https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-pressure-levels。

作者贡献声明
刘宝新：撰写原文初稿、方法论部分、概念设计。傅兰迪：负责文章审阅与编辑、资源协调及资金申请。韩浩志：负责可视化工作及软件应用。杨丁格：负责数据整理工作。金伟：负责模型验证与监督工作。

利益冲突声明
作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

刘宝新|傅兰迪|韩浩志|杨丁格|金伟