[논문 리뷰] TCBench: A Benchmark for Tropical Cyclone Track and Intensity Forecasting at the Global Scale

Milton S. Gomez, Marie C. McGraw외 14명|arXiv (Cornell University)|2026. 01. 30.

Tropical and Extratropical Cyclones Research인용 수 0

한 줄 요약

TCBench는 IBTrACS 기초 데이터의 지상 진실과 표준화된 평가 지표를 사용하여 1–5일 열대저기류(track) 및 강도 예측에 대해 신경망 기상 모델과 물리 기반 앙상블을 비교하는 글로벌 벤치마크를 제공합니다.

ABSTRACT

TCBench is a benchmark for evaluating global, short to medium-range (1-5 days) forecasts of tropical cyclone (TC) track and intensity. To allow a fair and model-agnostic comparison, TCBench builds on the IBTrACS observational dataset and formulates TC forecasting as predicting the time evolution of an existing tropical system conditioned on its initial position and intensity. TCBench includes state-of-the-art dynamical (TIGGE) and neural weather models (AIFS, Pangu-Weather, FourCastNet v2, GenCast). If not readily available, baseline tracks are consistently derived from model outputs using the TempestExtremes library. For evaluation, TCBench provides deterministic and probabilistic storm-following metrics. On 2023 test cases, neural weather models skillfully forecast TC tracks, while skillful intensity forecasts require additional steps such as post-processing. Designed for accessibility, TCBench helps AI practitioners tackle domain-relevant TC challenges and equips tropical meteorologists with data-driven tools and workflows to improve prediction and TC process understanding. By lowering barriers to reproducible, process-aware evaluation of extreme events, TCBench aims to democratize data-driven TC forecasting.

연구 동기 및 목표

• 위험 관리 및 회복력 강화를 위한 정확한 글로벌 열대저기류 예측 필요성에 대한 동기 부여.
• TC 트랙 및 강도 예측을 위한 공정하고 모델에 구애받지 않는 평가 프레임워크 정의.
• 재현 가능한 평가를 가능하게 하는 개방적이고 확장 가능한 데이터셋과 도구 상자 제공.
• 강도 예측 및 급격한 강화(RI) 예측을 개선하기 위한 포스트프로세싱 기준선 제시.
• 벤치마크와 워크플로우에 대한 접근성을 민주화하여 데이터 기반 TC 예측의 장벽을 낮춤.

제안 방법

• 초기 상태가 주어졌을 때 기존 열대 시스템의 시간 진화를 예측하는 TC 예측 문제로 형식화.
• 관측치, 재분석, 물리/데이터 기반 모델 등 이질적 데이터 소스를 통합하여 통합 평가 프레임워크를 구성.
• 데이터 전처리, 물리 기반 및 신경망 기반의 모델 기준선, 결정론적 및 확률적 지표에 대한 평가 프로토콜 제공.
• TempestExtremes와 HuracanPy를 사용해 신경망 모델 출력과 IBTrACS 트랙을 정렬하여 공정한 비교를 수행.
• AI 예측을 후처리해 강도 예측과 RI 플래그를 생성하고 RI 중심 평가를 가능하게 한다.

Figure 1: TCBench defines TC forecasting as predicting time-series of track and intensity knowing the system’s initial state. It integrates heterogeneous data sources (observations, reanalysis, physics/data-driven models) into a unified evaluation framework to standardize model assessment.

실험 결과

연구 질문

• RQ1 신경망 기상 모델이 1–5일 예측에서 물리 기반 앙상블과 비교할 만큼 글로벌 규모의 트랙 예측 기술을 달성할 수 있는가?
• RQ2 후처리된 AI 예측이 기준선 대비 강도 예측과 급속한 강화 탐지(RI)를 개선할 수 있는 정도는?
• RQ3 리드 타임이 최대 5일에 달하는 동안 결정론적 및 확률적 트랙 및 강도 지표의 상대적 성능은 어떠한가?
• RQ4 관측 데이터와 후처리가 열대저기류의 강도 예측의 신뢰성에 어떤 영향을 주는가?

주요 결과

• 신경망 기상 모델은 최대 5일 앞의 TC 트랙을 능숙하게 예측할 수 있으며, 결정론적 지표에서 일부 물리 기반 앙상블에 근접하거나 경쟁한다.
• 물리 기반 앙상블(GEFS)은 일반적으로 CRPS를 통한 확률적 트랙 예측이 더 강력하며, 신경망 모델과 보완적 강점을 나타낸다.
• AI 예측의 후처리는 강도 예측(Bmax 및 pmin)을 현저히 개선하며, 특정 리드 타임에서 GEFS에 비견할 만한 성능을 달성할 수 있다.
• 후처리된 AI 모델은 어느 정도 RI 이벤트를 포착할 수 있으며, 모델과 리드 타임에 따라 한계가 있어 RI를 도전적인 목표로 남긴다.
• 결정론적 트랙 기술은 모델과 리드 타임에 따라 달라지며, 확률적 트랙은 앙상블 접근으로 이득을 보이고, 강도 예측은 관측 데이터와 후처리 도구를 결합할 때 개선된다.

Figure 2: (a) 2023 tropical cyclones in the TCBench test year, from IBTrACS. The lines represent the position of each tropical cyclone over time, with the line color representing the storm’s intensity at that position. (b) IBTrACS estimate of tropical cyclone numbers from 2017-2022 (corresponding to