[论文解读] 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 0

一句话总结

BaguanCyclone 通过概率中心细化与区域感知强度建模，在六个盆地的轨迹和强度预测中超越 AI 基线与 NWP，实现 16% 的跟踪误差降低和 34% 的强度精度提升，2025 年在 CMA 实时部署。

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.

研究动机与目标

• 解决对 TC 跟踪和强度预报的粗分辨率再分析数据（0.25° ERA5）的局限性。
• 开发一个统一框架，通过亚网格精度细化中心位置并改进局部强度估计。
• 研究数据驱动导致 AI 模型强度预报差距的原因，并设计区域感知解决方案。
• 在实际运营中演示部署并在主要 TC 盆地验证性能。

提出的方法

• 引入 BaguanCyclone，包含两大集成模块：概率中心细化和区域感知强度预测。
• 将气旋中心建模为连续概率密度，并通过期望运算恢复亚格点坐标。
• 使用运动学初始化、带截断高斯核的概率密度映射，以及神经修正以细化轨迹。
• 将大气划分为围绕 TC 核心的区域，并应用区域感知的强度预测器（基于 Swin-transformer）以捕捉局部极大值。
• 将跟踪模块与强度模块耦合，使细化后的中心查询区域强度图以给出最终预报。
• 在推断阶段实现联合部署，产出一致的轨迹和强度预测。

实验结果

研究问题

• RQ1 概率性、亚网格中心细化能否克服 0.25° 输入数据带来的网格锁定问题，从而提高 TC 的轨迹准确性？
• RQ2 区域感知的高分辨率强度预报方法是否比粗网格或标准 AI 损失更能捕捉极端强度？
• RQ3 将轨迹细化与区域感知强度耦合是否比独立模块产生更连贯的改进？
• RQ4 与 NWP 和 AI 基线相比，BaguanCyclone 在多个盆地和复杂 TC 情景（再加强、多TC 相互作用、蜿蜒等）中的表现如何？

主要发现

• BaguanCyclone 在六个盆地的 AI 基线上，平均降低了 16% 的跟踪误差。
• BaguanCyclone 相对于 AI 基线，在强度预测误差方面平均降低了 34%。
• 在实际部署（WP 盆地，CMA）中，平均轨迹误差为 85.61 km，平均强度误差为 6.20 m/s。
• BaguanCyclone 在 WP 的所有提前期均超过 ECMWF HRES，轨迹/强度性能平均提升 12.23%。
• NI 盆地相比第二名模型，在强度预报误差上显著降低，最高达到 50% 的改进。
• 在 Typhoon Co-May（2025 年 7 月）期间，该系统支持 97,000 人撤离，展示了运营价值。