arXiv

热带气旋快速增强预报难题迎来新解法！FAST-ML框架让神经网络只学物理参数、风暴演变仍由热力学方程支配，60小时集合预报CRPS降低31%，快速增强误报率近乎减半，且跨海盆零样本迁移初显成效。

👥 作者：Shijie Xiao、Jonathan Lin、Thomas Ehrmann、Ali Sarhadi 📅 发布日期：2026-09-22 🆔 arxiv ID：2609.25505v2

📝 论文摘要

快速增强（RI）仍是热带气旋（TC）预报中最具挑战性的问题之一。全物理数值天气预报模式虽能刻画RI相关过程，但风暴-环境相互作用的计算成本高昂；纯数据驱动方法则缺乏物理可解释性。本文提出FAST-ML混合框架，融合数据驱动效率与物理约束。该框架采用物理信息双流神经网络参数化方案，输入ERA5三维场以诊断通风控制因子——环境风切变与中层熵亏。通过可微分FAST强度模型端到端优化参数，确保风暴演变严格受热力学原理支配。FAST-ML在预报时效内降低集合CRPS，60小时约减少31%，RI误报率近乎减半而不损失检测能力。100成员集合配置下，选定风暴的强度预报可与FNV3媲美。东太平洋风暴零样本测试显示了跨海盆可迁移性。FAST-ML提供模块化强度预报框架，可耦合外部风暴路径与环境场，证明物理约束下的观测驱动参数学习能同时提升精度、可解释性与计算效率。

🔍 详细解读

研究背景

热带气旋是全球最具破坏性的天气灾害之一，极端大风、暴雨、风暴潮和内涝每年造成巨大经济损失和社会影响。过去几十年，卫星观测、飞机侦察、资料同化和数值天气预报（NWP）的进步显著提升了路径预报精度，但强度预报的进展却相对缓慢。强度变化预报误差仍是业务飓风预报的核心瓶颈，尤其是快速增强（RI）事件——最大持续风速可在24小时内增加超过30节。这类事件常发生在登陆前夕，大幅压缩防灾准备时间，是热带气象学中社会影响最重大的挑战之一。 TC强度预报的困难源于其复杂的非线性演变。风暴强度受内部涡旋动力学与环境因素的多尺度相互作用驱动，而RI预报从根本上受制于系统对初始状态的极端敏感性。例如，RI演变对初始内核湿度廓线高度敏感，其热力学框架又强烈受环境调控。全物理NWP模式虽能表征这些过程，但分辨率要求使计算成本极高；纯数据驱动方法虽高效，却往往缺乏物理可解释性，难以赢得预报员信任。

核心问题

如何在保持物理可解释性的前提下，利用机器学习提升热带气旋强度预报精度，特别是改善快速增强事件的预报能力？具体而言，能否用神经网络从三维环境场中学习通风闭合参数，同时确保风暴演变仍由热力学方程严格支配？

研究方法

FAST-ML的核心思路是"不直接预测强度，而是学习物理参数"。研究团队设计了一个物理信息双流神经网络参数化方案，输入ERA5再分析资料的三维大气场，诊断两个关键的通风控制因子：环境风切变和中层熵亏。这两个因子通过一个可微分的FAST降阶强度模型端到端优化，使神经网络输出的闭合参数直接嵌入热力学方程中，风暴强度演变完全由FAST方程控制。 FAST模型是一个简化的热带气旋强度框架，基于热力学原理描述风暴的连续强度演变。与传统方法中通风闭合采用解析公式不同，FAST-ML用神经网络从高维环境场中学习更真实的闭合关系。训练过程中，梯度通过可微分FAST模型反传至神经网络，实现观测驱动的参数优化。研究采用100成员集合配置进行概率预报评估，并与业务模式FNV3进行对比。此外，还选取东太平洋风暴进行零样本跨海盆迁移测试。

主要发现

FAST-ML在多个评估指标上显著优于物理基线FAST。在集合预报中，FAST-ML降低了各预报时效的CRPS（连续排序概率评分），60小时处约减少31%，表明强度概率预报的可靠性大幅提升。更引人注目的是，快速增强的误报率近乎减半，同时未牺牲检测能力——这意味着预报员可以在保持对真实RI事件警觉的同时，减少不必要的警报。 在100成员集合配置下，FAST-ML对选定风暴的强度预报与业务模式FNV3相当，考虑到两者输入信息和预报范围的差异，这一结果令人鼓舞。零样本测试进一步显示，在东太平洋风暴上，FAST-ML无需重新训练即可给出合理预报，初步证明了跨海盆可迁移性。分析表明，FAST-ML的最大改进出现在原始解析通风闭合表现不佳的风暴和预报时段，说明其核心贡献在于更真实地表征环境强迫，而非修改热力学框架本身。

创新亮点

FAST-ML的最大创新在于"物理约束下的观测驱动参数学习"范式。与纯数据驱动模型直接映射环境场到强度不同，FAST-ML让神经网络只负责诊断物理闭合参数，风暴演变仍由热力学方程支配。这既保留了机器学习的表达能力，又确保了物理可解释性。学习到的闭合关系与已有的通风和风切变理论一致，尽管是直接从高维大气场推断而来。 与已有混合方法相比，FAST-ML的端到端可微分设计使参数优化直接以预报误差为目标，避免了分步训练的信息损失。模块化架构允许耦合外部提供的风暴路径和环境场，便于业务部署。

研究意义

本研究证明，在物理约束的动力学框架内进行观测驱动的参数学习，可以同时提升预报精度、可解释性和计算效率。这对热带气旋强度预报具有重要业务价值：FAST-ML可作为模块化组件嵌入现有预报系统，利用外部路径和环境场提供强度预报，计算成本远低于全物理NWP。其改善RI预报的能力尤其具有社会意义，可为登陆前防灾准备争取宝贵时间。

未来展望

当前研究存在一定局限：FAST-ML依赖外部提供的风暴路径，未实现路径-强度耦合预报；跨海盆迁移测试仅选取有限风暴，需更系统评估。未来可探索将FAST-ML扩展至更多海盆和风暴类型，结合更高分辨率环境场，并研究路径预报误差对强度预报的影响。此外，将学习到的闭合关系与传统理论对比分析，有望揭示更多通风过程的物理机制。

🔑 关键词

热带气旋 快速增强 混合物理-机器学习 FAST模型 通风闭合 集合预报 可解释AI 跨海盆迁移

📎 论文链接：http://arxiv.org/abs/2609.25505v2

📅 发布时间：2026-09-22

论文来源 arxiv.org | 由 AI 自动翻译整理