[論文レビュー] KAN-FIF: Spline-Parameterized Lightweight Physics-based Tropical Cyclone Estimation on Meteorological Satellite

Jiakang Shen, Qinghui Chen+5 more|arXiv (Cornell University)|Feb 12, 2026

Tropical and Extratropical Cyclones Research被引用数 0

ひとこと要約

KAN-FIF は Kolmogorov–Arnol’d ネットワークを用いて軽量な物理ガイド付きマルチモーダルフレームワークを実装し、 edge デバイス上で熱帯低気圧の MSW と RMW を推定。パラメータと待機時間を大幅に削減しつつ、精度を維持。

ABSTRACT

Tropical cyclones (TC) are among the most destructive natural disasters, causing catastrophic damage to coastal regions through extreme winds, heavy rainfall, and storm surges. Timely monitoring of tropical cyclones is crucial for reducing loss of life and property, yet it is hindered by the computational inefficiency and high parameter counts of existing methods on resource-constrained edge devices. Current physics-guided models suffer from linear feature interactions that fail to capture high-order polynomial relationships between TC attributes, leading to inflated model sizes and hardware incompatibility. To overcome these challenges, this study introduces the Kolmogorov-Arnold Network-based Feature Interaction Framework (KAN-FIF), a lightweight multimodal architecture that integrates MLP and CNN layers with spline-parameterized KAN layers. For Maximum Sustained Wind (MSW) prediction, experiments demonstrate that the KAN-FIF framework achieves a $94.8\%$ reduction in parameters (0.99MB vs 19MB) and $68.7\%$ faster inference per sample (2.3ms vs 7.35ms) compared to baseline model Phy-CoCo, while maintaining superior accuracy with $32.5\%$ lower MAE. The offline deployment experiment of the FY-4 series meteorological satellite processor on the Qingyun-1000 development board achieved a 14.41ms per-sample inference latency with the KAN-FIF framework, demonstrating promising feasibility for operational TC monitoring and extending deployability to edge-device AI applications. The code is released at https://github.com/Jinglin-Zhang/KAN-FIF.

研究の動機と目的

• 資源制約のある edge デバイス で適時な熱帯低気圧モニタリングを動機づける。
• 精度を維持または向上させつつモデルサイズと推論レイテンシを低減する。
• 赤外画像と時間的 TC 特徴との間のクロスモーダル依存性を物理ベースの制約でモデル化する。
• FY-4 衛星プロセッサーハードウェア上でのエッジ実装可能性を示す。

提案手法

• 従来の CNN/MLP コンポーネントを Kolmogorov–Arnold Network (KAN) 層に置換し、パラメータを著しく削減する。
• 時間系列データと赤外画像を、物理ベースの微分可能な多項式制約を用いたハイブリッドエンコーダで融合する。
• MSW と RMW の高次多項式関係をモデル化する物理ガイド付き制約モジュールを組み込む。
• 時間的特徴には KAN-LSTM、空間特徴には KAN-CNN を用いた KAN ベースの共有特徴抽出を使用する。
• センター意識型の注意機構で空間距離と内容特徴を符号化する KAN ベースのアテンション機構を実装する。
• edge ハードウェア互換性のために LSTM を除去し、静的計算グラフを施すことで deployment-ready なバリアントを展開する。

実験結果

リサーチクエスチョン

• RQ1 KAN 層は、はるかに少ないパラメータでも同等またはそれ以上の TC 属性予測精度を達成できるか。
• RQ2 物理ベースの高次多項式制約は MSW と RMW の予測結合にどの程度有効か。
• RQ3 FY-4 衛星ハードウェア上でリアルタイムまたはほぼリアルタイムのレイテンシで edge デバイス実装は可能か。
• RQ4 時間系列特徴と赤外画像のマルチモーダル融合は単一モダリティモデルより MSW/RMW 推定を改善するか。

主な発見

Model	MSW MAE	MSW RMSE	RMW MAE	RMW RMSE
TC-MTLNet	9.99	13.77	11.03	14.53
DeepCNet	6.84	9.25	11.21	15.10
DeepMicroNet	3.94	5.47	Single-task	-
TCIEnet	3.61	4.93	-	-
TCICEnet	3.47	4.75	-	-
Xception	3.88	4.50	-	-
Phy-CoCo	4.76	6.33	8.89	12.24
KAN-FIF	3.21	4.31	8.83	11.66

• KAN-FIF は Phy-CoCo と比較してパラメータ削減 94.8%（0.99 MB 対 19 MB）、および 1 サンプルあたりの推論を 68.7% 速く実行可能（2.3 ms 対 7.35 ms）。
• Phy-CoCo に対して MSW MAE を 32.5% 減少（3.21 kt 対 4.76 kt）、MSW RMSE を 31.9% 減少（4.31 kt 対 6.33 kt）。
• RMW MAE はわずかに改善（8.83 nmi 対 8.89 nmi）し、MSW/RMW RMSE は改善（RMW については 11.66 対 12.24 RMSE）。
• Qingyun-1000 ボードを搭載した FY-4 プロセッサ上のオフライン展開で 14.41 ms/サンプルの推論待機時間を達成し、エッジ実現性を示す。
• エンベデッド展開のために LSTM を削除したことは、精度の僅かな損失を招くのみで、静的グラフのエッジ展開パスが実現可能であることを示す。