热带气象学报

作者：方巍, 杜娟, 齐媚涵, 胡鹏昱

单位：1.南京信息工程大学计算机学院/数字取证教育部工程研究中心，江苏南京2100442.南京气象科技创新研究院中国气象局交通气象重点开放实验室，江苏南京2100413.南京信息工程大学江苏省大气环境与装备技术协同创新中心，江苏南京2100444.苏州大学江苏省计算机信息处理技术重点实验室，江苏苏州2150005.上海农林职业技术学院，上海201699

关键词：热带气旋, 路径预测, DSTFN模型, CaConvNeXt-GRU模型, 时空序列预测

基金：国家自然科学基金项目42075007；苏州大学江苏省计算机信息处理技术重点实验室开放研究基金KJS2275；中国气象局交通气象重点开放实验室开放研究基金BJG202306；中国气象局流域强降水重点开放实验室开放研究基金2023BHR-Y14；江苏省研究生科研与实践创新计划项目SJCX24_0476；江苏省研究生科研与实践创新计划项目SJCX24_0477；

在全球气候变化背景下，越来越多的地区面临着热带气旋的威胁。因此，准确预测热带气旋的轨迹变化对于气象预警和灾害管理至关重要。然而，传统的基于深度学习的热带气旋预测方法在建模热带气旋的时空相关性方面存在局限。为此，提出了一种新的深度时空融合网络——DSTFN(Deep Spatio-Temporal Fusion Network)模型，以提高对热带气旋轨迹的预测精度和稳定性。构建了有效融合ConvNeXt(Convolutional Next) 模型和门控循环单元的 CaConvNeXt - GRU(Convolutional Block Attention Module Integrated with ConvNeXt and Gated Recurrent Unit)模型，以提取热带气旋三维时序数据中的复杂非线性时空特征。同时，引入了卷积块注意力模块，以自动聚焦不同等压面对热带气旋影响更大的特征。此外，设计了分阶段的训练策略，通过依次进行预训练、联合训练和整体训练实现了不同模块的有效融合。为了评估所设计的方法，在国际气候管理最佳路径档案和第五代大气再分析数据集上进行了大量实验。实验结果证明，在预测未来24 h的热带气旋轨迹时，相比于现有的基于深度学习的热带气旋轨迹预测模型，DSTFN模型的平均预测误差降低了约13.71 km。

来源：2024年第6期

《热带气象学报》期刊编辑部

查看热带气象学报杂志2024年第6期