[论文解读] Typhoon track prediction using satellite images in a Generative Adversarial Network

Mario Rüttgers, Sang-Seung Lee+1 more|arXiv (Cornell University)|Aug 16, 2018

Tropical and Extratropical Cyclones Research参考文献 7被引用 6

一句话总结

本文提出一种生成对抗网络（GAN），利用每6小时间隔的卫星图像预测台风路径与云系结构，其中台风中心以红色标记。该模型在真实中心80公里范围内的预测准确率达42.4%，主要挑战包括开阔海域移动、突发路径变化及登陆预测，表明若加入海表温度、风场等物理数据，可进一步提升精度。

ABSTRACT

Tracks of typhoons are predicted using satellite images as input for a Generative Adversarial Network (GAN). The satellite images have time gaps of 6 hours and are marked with a red square at the location of the typhoon center. The GAN uses images from the past to generate an image one time step ahead. The generated image shows the future location of the typhoon center, as well as the future cloud structures. The errors between predicted and real typhoon centers are measured quantitatively in kilometers. 42.4% of all typhoon center predictions have absolute errors of less than 80 km, 32.1% lie within a range of 80 - 120 km and the remaining 25.5% have accuracies above 120 km. The relative error sets the above mentioned absolute error in relation to the distance that has been traveled by a typhoon over the past 6 hours. High relative errors are found in three types of situations, when a typhoon moves on the open sea far away from land, when a typhoon changes its course suddenly and when a typhoon is about to hit the mainland. The cloud structure prediction is evaluated qualitatively. It is shown that the GAN is able to predict trends in cloud motion. In order to improve both, the typhoon center and cloud motion prediction, the present study suggests to add information about the sea surface temperature, surface pressure and velocity fields to the input data.

研究动机与目标

• 开发一种基于深度学习的方法，利用卫星图像作为输入，预测台风路径与云系结构。
• 评估GAN在基于历史卫星图像预测未来台风中心位置与云系形态方面的性能。
• 识别当前基于GAN的预测方法在开放海域移动、路径突变及登陆场景中的主要局限性。
• 提出通过引入海表温度、地表气压与风速场等物理气象数据，以提升预测精度。

提出的方法

• 训练一个条件GAN，以四张历史卫星图像作为输入，生成下一时间步的卫星图像。
• 输入图像中以红色方框标记台风中心位置，使模型能够学习时空动态特征。
• 生成器网络基于历史图像序列生成未来图像，判别器则评估图像的真实性与空间一致性。
• 模型采用感知损失与GAN损失以提升图像质量与结构保真度，但生成图像仍存在模糊问题。
• 通过等高线图对云系运动趋势进行定性分析，评估生成图像与真实图像之间的结构一致性。
• 通过多个台风序列中台风中心位置的绝对误差与相对误差评估预测精度。

实验结果

研究问题

• RQ1 仅使用卫星图像与历史台风中心坐标作为输入，GAN能否有效预测未来台风中心位置？
• RQ2 GAN在预测云系结构随时间的空间演变方面有多准确？
• RQ3 GAN在台风路径预测中的主要失效模式是什么，特别是在绝对误差与相对误差方面？
• RQ4 在未显式引入物理建模的情况下，GAN在多大程度上能捕捉云系运动趋势（如消散或扩展）？
• RQ5 若引入海表温度与风速场等物理变量，预测性能将如何提升？

主要发现

• 42.4%的台风中心预测绝对误差小于80公里，32.1%位于80至120公里之间，25.5%超过120公里。
• 相对误差在三种场景中最高：台风在远离陆地的开阔海域移动时、发生突发路径变化时，以及登陆前的运动阶段。
• GAN能够定性预测云系运动趋势，如台湾地区（标记II）的云系消散与开阔海域（标记III）的东向扩展，如等高线图所示。
• 生成图像的模糊性限制了对细节的重建，特别是台风眼的旋转结构。
• 模型性能受限于缺乏物理上下文，表明引入海表温度、地表气压与风速场数据可显著提升预测精度。
• 本研究表明，基于卫星图像的GAN方法在台风预测中具有可行性，但存在局限性，尤其当未显式建模物理动力学时。