告别人工判读依赖！中国团队用深度学习 + 迁移学习搞出 TCIC-SC-RNet，台风强度预测精度、效率双升级！

Paper

01

TCIC-SC-RNet：

基于迁移学习的热带气旋强度估计混合模型

热带气旋（TC）的强度估测是气象灾害预警和防灾减灾的关键环节。传统方法依赖卫星云图的人工判读，存在主观性强、效率低等问题。近年来，深度学习技术为台风强度自动化估测提供了新思路，但现有模型在分类精度和误差控制上仍有不足。中国研究团队近日在《Weather and Forecasting》发表论文，提出了一种基于迁移学习的混合模型TCIC-SC-RNet，在台风强度估测中实现了显著突破。

模型亮点：分类+校正+回归三管齐下

TCIC-SC-RNet的创新之处在于其三级联模块设计：

分类模块：采用改进的Swin Transformer网络，将台风强度划分为“热带风暴（TS+STS）”“强台风（STY）”和“超强台风（VSTY+ViolentTY）”三类，分类准确率达81.44%。

二次校正模块：通过支持向量机（SVM）对初步分类结果进行二次校正，结合直接回归网络的预测值，将分类精度进一步提升至83.67%，有效减少误判。

回归模块：基于校正后的分类结果，调用对应的RegNet回归网络输出具体强度值，并引入时间加权平滑技术，利用台风强度的时序相关性优化最终结果。

实验结果：误差显著降低，性能领先

研究团队使用1979—2019年西北太平洋的1023个台风样本（共23,629幅红外卫星图像）进行验证，结果显示：

总均方根误差（RMSE）和平均绝对误差（MAE）分别为7.47节（约3.84 m/s）和5.60节（约2.88 m/s），优于当前主流模型（如ADT、SATCON等）。

技术突破与实用价值

特征学习能力增强：改进的Swin Transformer通过多层级特征融合，精准捕捉台风云系的螺旋结构、对流不对称性等关键形态特征。

误差补偿机制：针对分类误差，模型在训练回归网络时加入误判样本，显著减少因类别混淆导致的强度偏差。

业务化潜力：仅依赖红外卫星图像即可实现自动化估测，为缺乏微波数据的区域提供了高效解决方案。

TCIC-SC-RNet为台风强度客观估测提供了新范式，其模块化设计可扩展至其他气象灾害分析领域。随着深度学习与气象学科的深度融合，未来自动化、高精度的灾害监测系统将更好地守护人类安全。

论文信息

02

论文标题：

TCIC-SC-RNet: A Hybrid Model for TC Intensity Estimation Based on Transfer Learning

作者

🔹Chang-Jiang Zhang - 台州学院电子与信息工程学院（大数据科学学院）（台州）

🔹Yu Wang - 浙江师范大学物理与电子信息工程学院（金华）

🔹Lei-Ming Ma - 上海气象中心（上海）

🔹Xiao-Qin Lu - 中国气象局上海台风研究所（上海）

https://doi.org/10.1175/WAF-D-23-0080.1

期刊介绍

03

Weather and Forecasting

本刊一本主要刊载关于天气机理与预报研究的期刊。

天气与预报 / WAF

ISSN: 0882-8156

elSSN: 1520-0434

https://journals.ametsoc.org/view/journals/wefo/wefo-overview.xml

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。