[论文解读] 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 0

一句话总结

KAN-FIF 引入一种轻量级、以物理学为指导的多模态框架，使用 Kolmogorov–Arnol’d 网络在边缘设备上估算热带气旋的 MSW 与 RMW，在保持精度的同时显著降低参数量与推理延迟。

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.

研究动机与目标

• 在资源受限的边缘设备上推动及时的热带气旋监测。
• 在保持或提高精度的前提下，降低模型规模和推理延迟。
• 建模红外影像与时间序列 TC 特征之间的跨模态依赖，结合基于物理的约束。
• 在 FY-4 卫星处理器硬件上展示边缘部署的可行性。

提出的方法

• 用 Kolmogorov–Arnold Network (KAN) 层替代传统的 CNN/MLP 组件，以 dramatically reduce 参数量。
• 通过带有物理基础、可微的多项式约束的混合编码器，融合时间序列数据和红外影像。
• 加入以物理引导的约束模块，建模 MSW 与 RMW 之间的高阶多项式关系。
• 使用基于 KAN 的共享特征提取（KAN-LSTM 与 KAN-CNN）分别提取时间和空间特征。
• 实现基于 KAN 的注意力机制，以中心感知的注意力对空间距离和内容特征进行编码。
• 通过移除 LSTM 并强制静态计算图，部署一个适于边缘硬件的就绪变体。

实验结果

研究问题

• RQ1 KAN 层是否在参数显著减少的情况下获得与传统模型相近或更好的 TC 属性预测精度？
• RQ2 基于物理的高阶多项式约束在耦合 MSW 与 RMW 预测方面有多大作用？
• RQ3 在 FY-4 卫星硬件上实现边缘设备的实时或近实时延迟是否可行？
• RQ4 对序列特征与红外影像的多模态融合是否优于单模态模型在 MSW/RMW 估计上的表现？

主要发现

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 相对于 Phy-CoCo，在参数量方面实现 94.8% 的降低（0.99 MB vs 19 MB），在每样本推理上实现 68.7% 的提速（2.3 ms vs 7.35 ms）。
• 相对于 Phy-CoCo，KAN-FIF 的 MSW MAE 降低了 32.5%（3.21 kt vs 4.76 kt），MSW RMSE 降低了 31.9%（4.31 kt vs 6.33 kt）。
• RMW 的 MAE 略有提升（8.83 nmi vs 8.89 nmi），同时在 RMW 的 RMSE 上实现改进（11.66 vs 12.24 RMSE）。
• 在 FY-4 处理器配合 Qingyun-1000 板的离线部署实现 14.41 ms/样本的推理延迟，显示边缘部署的可行性。
• 为部署移除 LSTM 后，精度损失极小，表明静态计算图的边缘部署路径可行。