TC-Next: Zero-Shot Multimodal Cyclone Forecasting

📄 arXiv: 2609.02085v1 📥 PDF

作者: Zhe Wang, Sijie Chen, Yiming Luo, Daehyun Kim, Chien-Yi Chang

分类: cs.LG, cs.CV

发布日期: 2026-09-02

备注: 11 pages

💡 一句话要点

提出TC-Next以实现零样本多模态热带气旋预报

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 热带气旋预报 多模态深度学习 零样本学习 气象数据融合 轨迹预测 强度预测 深度学习模型 卫星图像分析

📋 核心要点

  1. 现有的热带气旋预报方法在准确性和实时性上存在不足，尤其是在复杂气象条件下的预测能力较弱。
  2. TC-Next模型通过结合气象动力学、热力学场和卫星图像，采用多模态深度学习方法来提升热带气旋的轨迹和强度预报精度。
  3. 实验结果表明，TC-Next在多个基准测试中显著降低了轨迹和强度误差，展示了其在零样本学习中的有效性和优势。

📝 摘要（中文）

我们提出了热带气旋预报模型TC-Next，该模型利用基础模型的气象动力学和热力学场的预报数据以及GridSat红外卫星图像，在6至24小时的时间范围内进行热带气旋的轨迹和强度预报。TC-Next在西太平洋地区仅基于GraphCast的预报进行训练，相较于传统的基于规则的跟踪器TempestExtremes，轨迹误差降低了15%至44%，强度误差降低了3至6倍。在未重新训练的情况下，TC-Next在Pangu-Weather和IFS HRES的预报场上依然优于TempestExtremes。在2025年西太平洋季节的WeatherNext Cyclones的通用天气场上进行零样本应用时，TC-Next在每个时间范围内的强度误差均低于该模型的专用直接跟踪器，轨迹误差也表现出较低或相当的水平。消融研究表明，该多模态模型能够利用额外的模态在每个时间范围内提高跟踪误差和长时间范围内的强度预测性能。

🔬 方法详解

问题定义：论文旨在解决热带气旋轨迹和强度预报中的准确性问题，现有方法如TempestExtremes在复杂气象条件下表现不佳，难以满足实时预报需求。

核心思路：TC-Next通过引入多模态数据（气象场和卫星图像），利用深度学习模型进行训练，以提高预报的准确性和可靠性，特别是在未见过的数据上进行零样本预测。

技术框架：TC-Next的整体架构包括数据预处理、特征提取、模型训练和预测四个主要模块。首先，收集和处理气象数据及卫星图像，然后通过深度学习网络进行特征提取，最后进行轨迹和强度的预测。

关键创新：该研究的核心创新在于将多模态数据有效融合，利用基础模型的预报场进行训练，显著提升了模型在复杂气象条件下的预测能力，与传统方法相比，具有更强的适应性和准确性。

关键设计：模型采用特定的损失函数来平衡轨迹和强度的预测误差，同时在网络结构上进行了优化，以适应多模态输入的特征提取需求。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，TC-Next在GraphCast预报下，轨迹误差降低了15%至44%，强度误差降低了3至6倍。即使在未重新训练的情况下，TC-Next在Pangu-Weather和IFS HRES的预报场上也优于TempestExtremes。此外，在2025年西太平洋季节的零样本应用中，TC-Next在强度误差上表现出更低的水平，轨迹误差则保持在较低或相当的范围内。

🎯 应用场景

TC-Next的研究成果在气象预报、灾害管理和应急响应等领域具有广泛的应用潜力。通过提高热带气旋的预报精度，可以有效减少灾害造成的损失，提升公共安全和应急响应能力。未来，该模型还可以扩展到其他气象现象的预测中，进一步推动气象科学的发展。

📄 摘要（原文）

We present TropicalCycloneNext (TC-Next), a multimodal deep learning model that forecasts tropical cyclone track and intensity at $6$-$24$ h leads by leveraging a foundation model's forecast fields of atmospheric kinematic and thermodynamic fields and GridSat infrared satellite imagery. Trained only on GraphCast forecasts over the Western Pacific (WP), yet reliant only on generic atmospheric variables, TC-Next on GraphCast lowers track error by $15$-$44\%$ and intensity error by a factor of $3$-$6$ relative to a conventional, rule-based tracker, TempestExtremes; applied without retraining to the forecast fields of Pangu-Weather and IFS HRES, it stays ahead of TempestExtremes on both. Applied zero-shot to the generic weather fields of WeatherNext Cyclones on the 2025 WP season, TC-Next attains lower intensity error at every lead time, and lower or comparable track error, compared to that model's specialized direct tracker in a deterministic comparison. Our ablation studies show that our multimodal model is able to utilize the additional modality to improve performance in tracking errors at every lead time and in intensity prediction at longer lead times.