首页|基于深度学习的全球热带气旋生成预测模型及其可解释性分析

基于深度学习的全球热带气旋生成预测模型及其可解释性分析

扫码查看
原文链接
  • 万方数据
热带云团可能发展为热带气旋并造成重大的人员伤亡和经济损失,准确预测热带气旋生成对于早期预警至关重要.面向深度学习方法应用于热带气旋生成预测时仅使用单一时刻的预测因子、未考虑海气相互作用、模型可解释性低的问题,本文构建了基于Swin Transformer的热带气旋生成预测模型(Tropical Cyclogenesis Pre-diction-Net,TCGP-Net),其采用卷积操作和注意力机制编码时空特征,捕捉预测因子的时空演化信息.该模型考虑了包括海表温度在内的多变量的海气耦合作用.此外,本文利用因果推断和积分梯度法,验证了该模型预测因子的有效性并对模型的决策过程进行了可解释性分析.该模型使用GridSat遥感数据和ERA5再分析资料进行训练,实验结果表明该模型具有较高的准确性和稳定性,提前24小时预测热带气旋是否生成的检测率为97.9％,虚警率为2.2％,远好于现有模型.这说明其可作为预测热带气旋是否生成的可靠工具.
A deep learning-based global tropical cyclogenesis prediction model and its interpretability analysis

穆斌、王馨、袁时金、陈宇轩、王冠淞、秦博、周冠博

展开 >

同济大学软件学院,上海 201804

复旦大学大气与海洋科学系/大气科学研究院,上海 200438

国家气象中心,北京 100081

中国气象局上海台风研究所,上海 200030

展开 >

热带气旋生成预测 深度学习 特征融合 可解释性 因果推断

2024

10.1360/SSTe-2023-0330

中国科学(地球科学)
中国科学院

中国科学(地球科学)

CSTPCD北大核心
影响因子：1.828
ISSN：1674-7240
年,卷(期)：2024.54(12)
  • 2