[論文レビュー] Global Tropical Cyclone Intensity Forecasting with Multi-modal Multi-scale Causal Autoregressive Model

Xinyu Wang, Kang Chen+4 more|arXiv (Cornell University)|Feb 16, 2024

Tropical and Extratropical Cyclones Research被引用数 6

ひとこと要約

MSCAR は、衛星データと ERA5 データを多層スケール因果自己回帰フレームワークで融合し、SETCD を大規模マルチモーダル TC データセットとして導入し、グローバルおよび地域テストで短期予測の最先端を達成する、全球的な熱帯低気圧強度予測モデルです。

ABSTRACT

Accurate forecasting of Tropical cyclone (TC) intensity is crucial for formulating disaster risk reduction strategies. Current methods predominantly rely on limited spatiotemporal information from ERA5 data and neglect the causal relationships between these physical variables, failing to fully capture the spatial and temporal patterns required for intensity forecasting. To address this issue, we propose a Multi-modal multi-Scale Causal AutoRegressive model (MSCAR), which is the first model that combines causal relationships with large-scale multi-modal data for global TC intensity autoregressive forecasting. Furthermore, given the current absence of a TC dataset that offers a wide range of spatial variables, we present the Satellite and ERA5-based Tropical Cyclone Dataset (SETCD), which stands as the longest and most comprehensive global dataset related to TCs. Experiments on the dataset show that MSCAR outperforms the state-of-the-art methods, achieving maximum reductions in global and regional forecast errors of 9.52% and 6.74%, respectively. The code and dataset are publicly available at https://anonymous.4open.science/r/MSCAR.

研究の動機と目的

• マルチモーダルかつマルチスケールデータと因果的時間的関係性を活用して、TC 強度予測の改善を促進する。
• 43年分の衛星データと ERA5 データを含む、72変数に及ぶ長期のグローバル TC データセット SETCD を導入する。
• 空間的マルチスケール特徴と時間的因果性を統合し、自己回帰 TC 強度予測を実現する MSCAR を開発する。
• グローバルおよび流域別での最先端性能を実証し、リアルタイム性のロバスト性とアブレーションの洞察を提供する。

提案手法

• マルチスケールな空間特徴を捉えるため、Feature Pyramid Network を介して衛星画像と ERA5 データを融合する。
• 空間情報をトークンとして表現し、過去情報と空間コンテキスト間の時間因果性を取り入れるために Causal Cross-Attention メカニズムを適用する。
• 潜在空間で未来の TC 強度を反復的に予測する Autoregressive Decoder を用い、任意のステップ予測を可能にする。
• SETCD 上で MAE 損失と正則化（L1 および EMA）を用いて MSCAR を訓練し、過去 4 ステップから次の 4 ステップを予測する (N=4, M=4)。
• GRIDSat-B1 および ERA5 から IBTrACS センターを用いて得た 1980–2022 の 4,668 の TC と 282,505 インスタンスを SETCD に提供する。

実験結果

リサーチクエスチョン

• RQ1 マルチモーダル・マルチスケール・因果情報を備えた自己回帰モデルは、既存手法を超えるグローバルな TC 強度予測を向上させることができるか。
• RQ2 ERA5 と衛星データ、および過去の TC 強度系列を含むことが予測精度に与える影響は何か。
• RQ3 MSCAR は全球および地域の流域でどのように性能を発揮し、近リアルタイムデータの状況下でどうか。
• RQ4 予測性能に対する各アーキテクチャ部品（FPN、CC Attention、AR Decoder）の寄与は何か。
• RQ5 SETCD は将来のグローバル TC 研究にとって包括的で有益なリソースか。

主な発見

• MSCAR はベースラインに対して短期 TC 強度予測の最先端を達成する（グローバルおよび地域テスト）。
• グローバルの短期予測（2019–2020）で、複数の時間 horizon（最大 24h）にわたり従来モデルを上回る改善を示す。
• アブレーション結果は、ERA5 入力が顕著な利得（9.39%–25.09%）、過去の強度系列が短期に不可欠で、CC Attention が自己注意より因果的時空関連を捉える点で優れていることを示す。
• リアルタイム風テスト（ERA5 の代替として分析データを使用）では、非リアルタイム結果と同等の性能を維持し、近リアルタイム利用の頑健性を示す。
• アブレーションは、マルチスケール融合のための FPN が U-Net より重要であること、そして物理的整合性と性能のために自己注意より因果的クロスアテンションが必須であることを確認する。