[论文解读] Intensity Prediction of Tropical Cyclones using Long Short-Term Memory Network

Koushik Biswas, Sandeep Kumar+1 more|arXiv (Cornell University)|Jul 7, 2021

Tropical and Extratropical Cyclones Research被引用 12

一句话总结

本文提出一种堆叠的双向长短期记忆（BiLSTM）网络，用于提前72小时预测北印度洋热带气旋的强度，使用包括风速、气压、海面温度和风暴位置在内的历史气象数据。该模型在3小时预测中的平均绝对误差（MAE）为1.52节，在72小时预测中的MAE为11.92节，显示出在预测渐进式和突发性强度变化方面具有高精度和强鲁棒性。

ABSTRACT

Tropical cyclones can be of varied intensity and cause a huge loss of lives and property if the intensity is high enough. Therefore, the prediction of the intensity of tropical cyclones advance in time is of utmost importance. We propose a novel stacked bidirectional long short-term memory network (BiLSTM) based model architecture to predict the intensity of a tropical cyclone in terms of Maximum surface sustained wind speed (MSWS). The proposed model can predict MSWS well advance in time (up to 72 h) with very high accuracy. We have applied the model on tropical cyclones in the North Indian Ocean from 1982 to 2018 and checked its performance on two recent tropical cyclones, namely, Fani and Vayu. The model predicts MSWS (in knots) for the next 3, 12, 24, 36, 48, 60, and 72 hours with a mean absolute error of 1.52, 3.66, 5.88, 7.42, 8.96, 10.15, and 11.92, respectively.

研究动机与目标

• 改进北印度洋长期热带气旋强度预测，该地区气旋常造成重大的社会与经济损失。
• 解决现有统计与数值模型的局限性，这些模型往往精度不足且计算效率低下。
• 开发一种深度学习模型，能够预测未来多个时间点的最大持续风速（MSWS）的连续变化。
• 通过以高时间分辨率提前72小时预测MSWS，实现早期且准确的预警。
• 证明BiLSTM网络能够有效捕捉从序列气象特征中获得的复杂非线性时间依赖关系，以描述气旋演变过程。

提出的方法

• 采用堆叠的双向长短期记忆（BiLSTM）网络，对热带气旋的序列气象时间序列数据进行建模。
• 输入特征包括纬度、经度、MSWS、估计中心气压、距离、方向以及在规则时间间隔下的海面温度（SST）。
• 模型通过过去观测序列作为输入，预测未来72小时内的MSWS值。
• 该架构利用双向处理机制，捕捉时间序列中过去与未来上下文信息，提升时间表征学习能力。
• 模型训练采用平均绝对误差（MAE）和均方根误差（RMSE）作为优化目标，并使用5折交叉验证进行评估。
• 模型在两个未包含在训练数据中的近期气旋（Fani 和 Vayu）上进行评估，以检验其泛化能力。

实验结果

研究问题

• RQ1 基于BiLSTM的模型能否在较长未来时间范围（最多72小时）内实现高精度的热带气旋强度预测？
• RQ2 该模型在捕捉气旋强度的突发性变化（如快速增强或稳定）方面表现如何？
• RQ3 增加用于输入的过去时间点数量是否能显著提升未来MSWS预测的准确性？
• RQ4 该模型能否对训练过程中未见过的气旋（如Fani 和 Vayu）实现良好泛化？
• RQ5 在多个未来时间点上，该模型在MAE和RMSE方面与现有统计与数值方法相比表现如何？

主要发现

• 该模型对3小时预报的MSWS预测平均绝对误差（MAE）为1.52节，72小时预报的MAE上升至11.92节。
• 对于未来24小时内的预测，MAE保持在6节以下，对应MSWS分类中的15节范围，可实现对热带风暴等级（≥3级）的可靠预测。
• 即使在更长的时间范围内（如72小时），该模型仍保持高精度，且MAE呈渐进式增长而非急剧上升，表明具备稳定的长期预测能力。
• 该模型能有效捕捉强度增加与稳定化趋势，如在Fani 和 Vayu 气旋上的准确预测所示，即使训练数据中强度模式不一致，模型仍表现良好。
• 当输入序列长度（T₁）从4个时间点增加到8个时间点时，MAE仅从1.54降至1.52（T₂=1时），表明模型主要从早期数据点中学习，从而显著降低计算开销。
• 与单点预测方法相比，该模型在多个未来时间点上联合提供高精度预测，因此更适合用于业务化早期预警系统。