[論文レビュー] Enhancing AI-Based Tropical Cyclone Track and Intensity Forecasting via Systematic Bias Correction

Peisong Niu, Haifan Zhang+7 more|arXiv (Cornell University)|Mar 20, 2026

Tropical and Extratropical Cyclones Research被引用数 0

ひとこと要約

BaguanCycloneは確率的中心 refinementと領域認識型強度モデルを組み合わせ、6つの流域で追跡と強度予測の精度を向上。追跡誤差16%削減、強度予測精度34%向上、2025年のTyphoonシーズンでCMAに展開。

ABSTRACT

Tropical cyclones (TCs) pose severe threats to life, infrastructure, and economies in tropical and subtropical regions, underscoring the critical need for accurate and timely forecasts of both track and intensity. Recent advances in AI-based weather forecasting have shown promise in improving TC track forecasts. However, these systems are typically trained on coarse-resolution reanalysis data (e.g., ERA5 at 0.25 degree), which constrains predicted TC positions to a fixed grid and introduces significant discretization errors. Moreover, intensity forecasting remains limited especially for strong TCs by the smoothing effect of coarse meteorological fields and the use of regression losses that bias predictions toward conditional means. To address these limitations, we propose BaguanCyclone, a novel, unified framework that integrates two key innovations: (1) a probabilistic center refinement module that models the continuous spatial distribution of TC centers, enabling finer track precision; and (2) a region-aware intensity forecasting module that leverages high-resolution internal representations within dynamically defined sub-grid zones around the TC core to better capture localized extremes. Evaluated on the global IBTrACS dataset across six major TC basins, our system consistently outperforms both operational numerical weather prediction (NWP) models and most AI-based baselines, delivering a substantial enhancement in forecast accuracy. Remarkably, BaguanCyclone excels in navigating meteorological complexities, consistently delivering accurate forecasts for re-intensification, sweeping arcs, twin cyclones, and meandering events. Our code is available at https://github.com/DAMO-DI-ML/Baguan-cyclone.

研究の動機と目的

• 粗分解能再分析データ（0.25° ERA5）によるTC追跡・強度予測の制約を解消する。
• サブグリッド精度で中心位置を refine し、局所的な強度推定を改善する統一フレームワークを開発する。
• AIモデルの強度予測欠落のデータ中心的原因を調査し、領域認識型解決策を設計する。
• 実世界の運用展開を実証し、主要なTC流域で性能を検証する。

提案手法

• BaguanCycloneを二つの統合モジュールで導入する：確率的中心 refinementと領域認識型強度予測。
• 中心を連続的な確率密度としてモデル化し，期待値演算によってサブグリッド座標を回復する。
• 運動学的初期値推定、トランケーションされたガウス核を用いた確率密度マッピング、ニューラル補正により軌道を refinementする。
• TC核の周囲を領域に分割し、領域認識型の強度予測器（Swin-Transformerベース）を適用して局所最大値を捕捉する。
• 追跡モジュールと強度モジュールを結合させ、 refined center が領域強度マップを参照して最終予測を出す。
• 推論時の共同展開を実証し、一貫した軌跡と強度予測を生成する。

実験結果

リサーチクエスチョン

• RQ1 確率的なサブグリッド中心 refinement は0.25°入力データによるグリッドロックを克服してTCの追跡精度を改善できるか。
• RQ2 領域認識型・高解像度の強度予測アプローチは粗いグリッドや従来のAI損失より過酷なTC強度をより適切に捉えられるか。
• RQ3 追跡 refinementと領域認識型強度予測を結合すると独立モジュールより一貫した改善を生むか。
• RQ4 BaguanCycloneは複数の流域と複雑なTCシナリオ（再強化、複数TC相互作用、蛇行など）でNWPやAIベースラインと比較してどう性能を示すか。

主な発見

• BaguanCycloneは6つの流域でAIベースラインに対する追跡誤差を平均16%改善。
• BaguanCycloneはAIベースラインに対する強度予測誤差を平均で34%低減。
• 実運用展開（WP流域、CMA）では平均追跡誤差が85.61 km、平均強度誤差が6.20 m/s。
• BaguanCycloneはWPにおけるすべてのリードタイムでECMWF HRESを上回り、追跡/強度性能で平均12.23%の向上。
• NI流域では二番手モデルと比較して強度予測誤差が最大50%削減。
• Typhoon Co-May（2025年7月）ではシステムが97,000人の evacuationsを支援し、運用価値を示した。