A geophysically constrained Transformer model for tropical cyclone track and intensity simulation over the western North Pacific and its contribution analysis

热带气旋是地球上最强大且最具破坏性的力量之一，它们在温暖的海面上旋转升腾，向沿海社区释放狂风和暴雨。准确预测这些风暴的路径及其强度是气象学家面临的持久挑战。传统方法依赖于复杂的物理方程求解的大型计算机模拟，但这些系统运行缓慢，需要巨大的计算能力，并且在风暴演变过程中往往难以实现快速更新。近年来，科学家们转向利用人工智能来加速这一过程，训练计算机程序去识别历史天气数据中的模式。然而，许多此类数字模型表现得像“黑箱”一样：它们可以做出预测，却无法解释其预测背后的原因，并且有时会忽略支配风暴移动和增强的基本物理定律。

来自北京师范大学和莫纳什大学的研究团队开发了一种新方法，弥合了这一差距。他们创建了一个精密的计算机模型，将现代人工智能的模式识别能力与地球物理学的硬性规则相结合。该模型专门针对西太平洋地区（全球热带气旋最活跃的区域）设计，通过学习数十年的历史风暴记录和大气数据进行训练。与以往将风暴视为简单数字序列的做法不同，这个新系统是“受地球物理约束的”，这意味着它受到风暴与其环境之间实际物理关系的引导。研究人员将该模型与另外两种常见的预测工具进行了对比测试：一种是从随时间变化的数据序列中学习，另一种是基于过往案例构建决策树。结果表明，通过尊重风暴的物理现实，他们的模型能够以更高的准确性和稳定性来预测热带气旋的路径和强度，尤其是在风暴生命周期的关键最初几天内。

研究人员将重点放在西太平洋地区，这是一个广阔的海域，每年有超过三分之一的热带气旋在此形成，频繁威胁东亚国家。为了训练模型，他们输入了一个庞大的信息档案，包括从1949年到2024年记录的风暴路径和强度，以及围绕这些风暴的大气和海洋条件的详细快照。模型学会了观察当前风暴的状态——其位置、风速和中心气压——以及周围的环境，例如海表温度和不同高度天空中的风场模式。随后，它利用这些信息，逐步预测风暴未来的位置和强度，预测时效可达36小时。

当研究团队对新模型进行测试时，它的表现优于用于对比的标准工具。对于预测未来6小时的短期路径，该模型的平均位置误差约为200公里，较其他方法有了显著提升。即使在观察更长远的36小时时，该模型仍保持了极高的可靠性，平均误差约为357公里。在预测强度（以最强持续风速衡量）方面，该模型同样表现出色。在6小时预报中，它估计的风速平均误差仅为2.59米/秒；而在36小时时，误差增至7.54米/秒。这些结果明显优于其他模型，后者在位置和风速预测上都出现了更大的偏差，尤其是在预报的关键初期阶段。

这项工作的价值不仅在于准确性，还在于模型得出结论的过程具有清晰度。研究人员使用了一种方法来剥开人工智能的层层结构，观察哪些信息最为重要。他们发现，模型高度依赖于两个特定因素：风暴中心的空气压力和风速。这两个要素占据了模型决策能力的半数以上。这与气象学家长期以来的认知完全一致：风暴的强度与其内部压力和风场结构紧密相关。模型也考虑了更大规模的大气模式和海洋温度，但这些起的是辅助作用，而非主要驱动力。这一发现表明，该模型不仅仅是在记忆数据，而是在学习风暴行为的物理逻辑。

团队还通过两个具体的现实世界风暴测试了系统，以观察其处理复杂情况的能力。在第一种情况下，风暴在开阔海面上稳定移动，模型以高精度追踪了其路径。在第二种情况下，风暴在靠近海岸处快速增强，模型成功识别出了增强的趋势，尽管略微低估了峰值风速。这些现实世界的测试证实，该模型能够处理多样化的条件，而不会产生不规则或不切实际的预测跳跃。虽然该模型并非完美，在面对最极端和变化最剧烈的风暴时仍面临挑战，但它代表了向前迈出的重要一步。通过将人工智能的速度与物理科学的可靠性相结合，这一新工具为改善预警系统、帮助社区应对威胁其海岸线的强大风暴提供了充满前景的方法。