[论文解读] Prediction of typhoon tracks using a generative adversarial network with observational and meteorological data

Mario Rüttgers, Sang-Seung Lee+1 more|arXiv (Cornell University)|Dec 5, 2018

Tropical and Extratropical Cyclones Research参考文献 14被引用 3

一句话总结

本研究提出了一种条件生成对抗网络（cGAN），通过融合卫星图像与再分析气象数据，实现对台风路径的6小时提前预测。通过引入海面温度、地表气压等具有物理意义的变量，该模型将台风中心预测的平均误差从95.6公里降低至67.2公里，降幅达29.7%，并提升了图像清晰度，从而实现对台风中心位置及动态云系结构的准确预测。

ABSTRACT

Tracks of typhoons are predicted using a generative adversarial network (GAN) with observational data in form of satellite images and meteorological data from a reanalysis database. Time series of images of typhoons which occurred in the Korean Peninsula in the past are used to train the neural network. The trained GAN is employed to produce a 6-hour-advance track of a typhoon for which the GAN was not trained. The predicted image favorably identifies the future location of the typhoon center as well as the deformed cloud structures. The errors between predicted and real typhoon centers are measured quantitatively in kilometers. 65.5 % of all typhoon center predictions have an error of less than 80 km, 31.5 % lie within a range of 80 - 120 km and the remaining 3.0 % are above 120 km. The overall error is 67.2 km, compared to 95.6 km when only observational data are used as input. The cloud structure prediction is evaluated qualitatively. It is shown that the GAN is able to predict trends in cloud motion. It is found that adding physically meaningful meteorological data to satellite images improves the sharpness of predicted images.

研究动机与目标

• 通过整合观测卫星数据与具有物理意义的再分析气象数据，提升台风路径预测的准确性。
• 通过引入动态大气变量，减少生成对抗网络（GAN）输出的台风预报图像模糊现象。
• 评估多模态输入（卫星图像 + 再分析数据）对预测台风中心移动与云系运动动力学的影响。
• 评估模型在未见台风（特别是影响韩国半岛的台风）上的表现，重点关注6小时提前预测性能。
• 确定再分析数据是否能增强生成台风图像的真实感与时序一致性。

提出的方法

• 在66个影响韩国半岛的台风数据上训练条件生成对抗网络（cGAN），输入为按时间顺序排列的卫星图像与再分析气象数据。
• 输入包括4幅连续的卫星图像及对应的时间点再分析数据（如海面温度、地表气压、200毫巴高度的风速等）。
• 生成器网络输出6小时后的台风图像，判别器则评估生成结果的真实感与空间一致性。
• 损失函数结合标准GAN损失、基于VGG的感知损失以及梯度损失（GDL），以减少模糊并提升结构保真度。
• 模型训练使用1993年及以后的数据，其中10个未见台风用于测试，以评估泛化能力。
• 气象数据来源于欧洲中期天气预报中心（ECMWF）的ERA-Interim再分析数据库，提供物理一致的大气条件。

实验结果

研究问题

• RQ1 与仅使用卫星图像相比，将卫星图像与再分析气象数据结合，是否能提升6小时台风中心预测的准确性？
• RQ2 引入物理大气变量在多大程度上可减少生成对抗网络输出的台风预报图像模糊现象？
• RQ3 该模型在预测未来台风图像中的动态特征（如云系旋转、眼壁形成、急流影响）方面表现如何？
• RQ4 该模型是否能泛化至训练数据中未包含的台风，特别是具有复杂行为（如路径突变或登陆）的台风？
• RQ5 不同输入配置（如卫星图像数量、是否包含再分析数据）对预测性能有何影响？

主要发现

• 引入再分析数据后，台风中心预测的平均误差从95.6公里降至67.2公里，改善幅度达29.7%。
• 65.5%的预测台风中心位置误差小于80公里，而此前仅使用卫星图像的模型为42.4%。
• 仅3.0%的预测误差超过120公里，较此前模型的25.5%显著下降，表明预测可靠性大幅提升。
• 该模型成功捕捉了生成图像中台风的旋转运动、云系结构形变以及急流影响等动态特征。
• 加入再分析数据显著提升了图像清晰度与真实感，尤其在眼壁与外围云带区域表现更优。
• 该模型在未见台风上的泛化能力更优，尤其在预测复杂行为（如登陆与快速增强）方面表现突出。