[논문 리뷰] Enhancing AI-Based Tropical Cyclone Track and Intensity Forecasting via Systematic Bias Correction

Peisong Niu, Haifan Zhang외 7명|arXiv (Cornell University)|2026. 03. 20.

Tropical and Extratropical Cyclones Research인용 수 0

한 줄 요약

BaguanCyclone은 확률적 중심 정제와 지역 인식 강도 예측을 결합하여 6개 해역에 걸친 트랙 및 강도 예측에서 AI 기반 기준선과 NWP를 능가하며, 트래킹 오차 감소 16%, 강도 정밀도 개선 34%를 달성하고 2025년 CMA의 실시간 배치를 수행합니다.

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.

연구 동기 및 목표

• TC 추적 및 강도 예측을 위한 0.25° ERA5의 거친 해상도 재분석 데이터의 한계를 해결한다.
• 하위 격자 정밀도로 중심 위치를 세밀하게 다듬고 지역화된 강도 추정치를 개선하는 통합 프레임워크를 개발한다.
• AI 모델의 강도 예측 오차가 데이터 중심의 원인임을 조사하고 지역 인식 솔루션을 설계한다.
• 주요 TC 해역에서 실제 운용 배치를 시연하고 성능을 검증한다.

제안 방법

• 확률적 중심 정제와 지역 인식 강도 예측의 두 가지 통합 모듈을 가진 BaguanCyclone을 도입한다.
• 열대 저기압 중심을 연속 확률 밀도(continuous probability density)로 모델링하고 기대값 연산을 통해 서브 그리드 좌표를 복원한다.
• 운동학적 초기화, 잘린 가우시안 커널로 확률 밀도 매핑, 그리고 신경망 보정을 사용하여 트랙을 정제한다.
• 대기권을 TC 핵 주변의 영역으로 나누고 지역 인식 강도 예측기(Swin-transformer 기반)를 적용해 국지적 최대치를 포착한다.
• 정제된 중심이 지역 강도 맵을 조회하도록 하여 최종 예측을 얻도록 트래킹 모듈과 강도 모듈을 결합한다.
• 추론에서의 공동 배치를 시연하여 일관된 트랙과 강도 예측을 산출한다.

실험 결과

연구 질문

• RQ1 확률적 서브-그리드 중심 정제가 0.25° 입력 데이터의 격자 고정(grid-locking)을 극복하고 TC 트랙 정확도를 향상시킬 수 있는가?
• RQ2 지역 인식 고해상도 강도 예측 접근법이 거친 격자나 표준 AI 손실보다 극심한 TC 강도를 더 잘 포착하는가?
• RQ3 트랙 정제를 지역 인식 강도와 결합하면 독립 모듈에 비해 일관된 개선을 가져오는가?
• RQ4 BaguanCyclone은 다수의 해역과 복합 TC 시나리오(재강화, 다중 TC 상호 작용, 구불구불한 경로)에 대해 NWP 및 AI 기준선과 비교해 어떻게 성능하는가?

주요 결과

• BaguanCyclone은 6개 해역에서 AI 기준선 대비 트래킹 오차의 평균 16% 향상을 달성했다.
• BaguanCyclone은 AI 기준선 대비 강도 예측 오차를 평균 34% 줄였다.
• 현장 배치(WP 해역, CMA)에서 평균 트랙 오차는 85.61 km, 평균 강도 오차는 6.20 m/s였다.
• BaguanCyclone은 WP에서 모든 리드 타임에 대해 ECMWF HRES를 능가했으며 트랙/강도 성능에서 평균 12.23%의 이점을 보였다.
• NI 해역에서 두 번째로 좋은 모델에 비해 강도 예측 오차가 최대 50% 감소했다.
• Typhoon Co-May(2025년 7월) 기간에 시스템은 97,000명의 대피를 지원하여 운용 가치를 입증했다.