基于TimeSformer模型的台风强度实时预报

渠鸿宇; 董林; 向纯怡; 李响; 王剑

doi:10.16032/j.issn.1004-4965.2026.055

基于TimeSformer模型的台风强度实时预报

doi: 10.16032/j.issn.1004-4965.2026.055

渠鸿宇^{1, 2},
董林^1, ,,
向纯怡¹,
李响²,
王剑²

1.
国家气象中心，北京 100081
2.
国家海洋环境预报中心，北京 100081

基金项目:

中国气象局创新发展专项 CXFZ2024J006

自然资源部海洋灾害预报技术重点实验室开放基金项目 LOMF2204

国家重点研发计划 2023YFC3107902

详细信息

通讯作者:
董林，北京市人，研究员，硕士，主要从事台风预报与研究。E-mail：donglin@cma.gov.cn

中图分类号: P457.8
计量
- 文章访问数: 2
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 0
出版历程
- 收稿日期: 2025-02-06
- 修回日期: 2025-06-30
- 网络出版日期: 2026-09-04
- 刊出日期: 2026-08-20

Real-time Typhoon Intensity Forecasting Based on TimeSformer

QU Hongyu^{1, 2},
DONG Lin^{1
, ,},
XIANG Chunyi¹,
LI Xiang²,
WANG Jian²

1.
National Meteorological Center, Beijing 100081
2.
National Marine Environment Forecasting Center, Beijing 100081, China

摘要

摘要: 本研究以能够有效提取时空特征的TimeSformer模型作为基础架构，使用1990—2021年的ERA5数据训练了台风24 h强度预报模型，并使用ECMWF预报数据实现了实时预报。为提升模型性能，我们在模型输入数据中加入了移动路径表征层，使得测试集均方差相比控制试验降低了1.84 m²·s^-2；此外，通过高空要素等压面的敏感性试验，我们发现在仅使用200 hPa、500 hPa、700 hPa、850 hPa、950 hPa等压面时，测试集均方差最小，2022—2023年ERA5测试集623个样本预报的平均绝对误差（Mean Absolute Error，MAE）为3.24 m·s^-1。在基于ECMWF预报数据的实时预报中，模型对2022—2023年共260个测试样本的MAE为3.56 m·s^-1，较直接使用ERA5数据略有升高（同样本检验MAE增加了0.36 m·s^-1，下同），但仍显著低于两大主流模式NCEP和ECMWF（MAE分别为4.52 m·s^-1和8.11 m·s^-1）。模型方便易用，可为台风强度的实时预报提供参考。
- 台风强度预报 /
- 实时预报 /
- 深度学习 /
- TimeSformer
Abstract: This study proposes a real-time 24-hour typhoon intensity forecasting model based on the TimeSformer architecture, which is capable of effectively extracting spatiotemporal features from meteorological fields. The model was trained on ERA5 reanalysis data (1990-2021) and validated using both ERS5 test data and real-time ECMWF forecast data. To enhance model performance, a track representation layer was incorporated into the input data, which reduced the Mean Square Error (MSE) on the test set by 1.84 m²·s^-2 compared to the control experiment. Additionally, sensitivity experiments on upper-level isobaric elements reveals that optimal performance was achieved using only the five pressure levels (200 hPa, 500 hPa, 700 hPa, 850 hPa, and 950 hPa), with a mean absolute error (MAE) of 3.24 m·s^-1 on 623 ERA5 test samples from 2022-2023. When applied to real-time ECMWF forecast data (260 test samples during 2022-2023), the model achieved an MAE of 3.56 m·s^-1, a slight increase compared to direct ERA5-based validation (with an MAE increase of 0.32 m·s^-1), but still substantially lower than those errors from the two mainstream operational NCEP (4.52 m·s^-1) and ECMWF (8.11 m·s^-1) models, respectively. These results demonstrate that the proposed model offers a robust and reliable tool for operational typhoon intensity forecasting.
- typhoon intensity forecasting /
- real-time forecasting /
- deep learning /
- TimeSformer

HTML全文

图 1 1990—2023年台风强度（a）和台风24 h强度变化（b）的概率密度直方图

下载: 全尺寸图片幻灯片

图 2 台风强度预报模型结构

a.整体流程；b.输入要素形状；c.图像块嵌入层。

下载: 全尺寸图片幻灯片

图 3 2114号台风“灿都”9月12日00时（世界时）—13日00时逐6 h间隔的台风移动路径表征层

填色表示归一化台风路径位置编码值，蓝色至红色分别表示从路径起点（−1）向终点（1）的移动方向，该编码为无量纲量。

下载: 全尺寸图片幻灯片

图 4 使用ERA5测试集数据预报的台风强度与观测(a)以及使用ERA5数据预报的24 h强度变化与观测24 h强度变化(b)的散点分布

下载: 全尺寸图片幻灯片

图 5 使用ERA5测试集数据的预报对于不同台风等级(a)以及不同24 h台风强度变化(b)的平均绝对误差

TS代表热带风暴级，STS代表强热带风暴级，TY代表台风级，STY代表强台风级，Super TY代表超强台风级，横轴括号内为样本数。

下载: 全尺寸图片幻灯片

图 6 预报强度与观测强度的散点分布（a~d）和预报24 h强度变化与观测24 h强度变化的散点分布（e~h）

a、e.使用ERA5数据预报；b、f.使用ECMWF预报数据预报；c、g. NCEP；d、h.ECMWF。

下载: 全尺寸图片幻灯片

图 7 基于ERA5数据和ECMWF预报数据的模型预报以及NCEP和ECMWF预报对于不同台风等级(a)以及不同24 h台风强度变化(b)的平均绝对误差

TS代表热带风暴级，STS代表强热带风暴级，TY代表台风级，STY代表强台风级，Super TY代表超强台风级，横轴括号内为样本数。

下载: 全尺寸图片幻灯片

图 8 测试集（同样本）平均的ECMWF 00 h分析场的10 m风速与ERA5的10 m风速对比

a. ECMWF 00 h分析场；b.ERA5；c. ECMWF 00 h分析场与ERA5的差值。

下载: 全尺寸图片幻灯片

图 9 使用ERA5数据和ECMWF预报数据预报以及NCEP和ECMWF预报对于不同台风的平均绝对误差分布/(m·s^-1)

箱体下、上边界分别代表第25%和第75%分位数，箱体内横线代表中位数，三角代表平均值，须线上、下两端分别代表最小和最大值（不包括异常值）。

下载: 全尺寸图片幻灯片

表 1 数据集分布

	台风数/个	快速增强样本数/个	快速减弱样本数/个	一般变化样本数/个	总样本数/个
训练集	712	462	344	12 100	12 906
验证集	43	23	21	603	647
ERA5测试集	39	32	21	570	623

下载: 导出CSV

表 2 模型输入中包含的要素

要素种类	要素名称
高空气象要素	气温、位势高度、相对湿度、纬向风、经向风
地面气象要素	2 m气温、海平面气压、海平面温度、10 m纬向风、10 m经向风
地面其他要素	海拔高度、海陆掩码

下载: 导出CSV

表 3 各组敏感性试验的最小测试集均方差

试验	测试集均方差/(m²·s^-2)
200、500、850 hPa等压面	19.53
200、500、850 hPa等压面+移动路径表征层	17.69
200、500、700、850、950 hPa等压面+移动路径表征层	17.60
100、200、300、500、850 hPa等压面+移动路径表征层	17.98
100、200、300、500、700、850、950 hPa等压面+移动路径表征层	17.89

下载: 导出CSV

表 4 基于ERA5数据和ECMWF预报数据的模型预报以及NCEP和ECMWF预报对于不同台风的平均绝对误差

台风编号	AI_Model_ERA5/(m·s^-1)	AI_Model_ECMWF/(m·s^-1)	NCEP/(m·s^-1)	ECMWF/(m·s^-1)	样本数/个
2201	2.72	3.14	3.35	8.87	10
2203	2.93	1.84	2.59	6.63	3
2204	1.24	2.70	2.96	3.10	4
2205	3.84	2.89	5.92	2.85	2
2207	0.68	0.91	3.60	5.70	1
2208	1.54	2.51	3.94	6.00	3
2209	3.42	4.88	5.53	5.65	4
2210	2.92	3.10	3.75	12.85	4
2211	3.86	3.99	5.78	13.95	13
2212	3.22	2.71	4.79	6.99	12
2213	1.72	2.98	4.35	5.66	5
2214	5.02	5.10	7.11	14.95	8
2216	7.70	3.76	8.35	15.52	4
2217	2.11	1.70	3.13	1.75	2
2218	5.77	5.84	7.60	6.86	5
2220	5.26	4.50	1.64	2.72	6
2222	1.92	1.88	3.95	2.01	11
2224	0.11	0.42	3.09	2.10	1
2301	0.92	0.65	5.68	6.70	1
2302	4.03	4.06	5.04	9.71	21
2303	3.01	2.83	1.70	7.86	10
2304	1.99	2.65	1.70	5.12	4
2305	2.94	4.07	2.54	8.63	12
2306	3.39	2.59	3.16	5.96	23
2307	2.54	3.00	4.24	9.28	17
2309	3.33	4.77	6.11	7.52	17
2310	3.2	4.47	7.02	3.16	7
2311	1.48	4.09	6.10	7.82	12
2312	2.31	3.72	4.03	1.72	5
2313	1.41	1.45	1.80	3.15	2
2314	4.00	3.43	4.83	8.56	17
2315	2.88	5.15	5.74	17.73	12
2316	2.07	3.66	0.79	3.10	2

下载: 导出CSV

参考文献(30)

[1]	端义宏, 陈联寿, 许映龙, 等. 我国台风监测预报预警体系的现状及建议[J]. 中国工程科学, 2012, 14(9): 4-9.
[2]	许映龙, 张玲, 高拴柱. 我国台风预报业务的现状及思考[J]. 气象, 2010, 36(7): 43-49.
[3]	Emanuel K. 100 years of progress in tropical cyclone research[J]. Meteorological Monographs, 2018, 59: 15.1-15.68.
[4]	Chen R, Zhang W M, Wang X. Machine learning in tropical cyclone forecast modeling: a review[J]. Atmosphere, 2020, 11(7): 676.
[5]	Kieran B, Gabriel V, Hiroyuki M, et al. Projected response of tropical cyclone intensity and intensification in a global climate model[J]. Journal of Climate, 31(20): 8281-8303.
[6]	Wang S, Toumi R. Recent migration of tropical cyclones toward coasts[J]. Science, 2021, 371(6528): 514-517.
[7]	Emanuel K, Zhang F Q. On the predictability and error sources of tropical cyclone intensity forecasts[J]. Journal of the Atmospheric Sciences, 2016, 73(9): 3739-3747.
[8]	端义宏, 方娟, 程正泉, 等. 热带气旋研究和业务预报进展—第九届世界气象组织热带气旋国际研讨会(IWTC-9)综述[J]. 气象学报, 2020, 78(3): 537-550.
[9]	Kaplan J, DeMaria M. Large-scale characteristics of rapidly intensifying tropical cyclones in the north Atlantic Basin[J]. Weather and Forecasting, 2003, 18(6): 1093-1108.
[10]	Kaplan J, Rozoff C M, DeMaria M, et al. Evaluating environmental impacts on tropical cyclone rapid intensification predictability utilizing statistical models[J]. Weather and Forecasting, 2015, 30(5): 1374-1396.
[11]	吕心艳, 董林, 高拴柱. 台风"米克拉"在台湾海峡南部快速增强的原因分析[J]. 气象学报, 2023, 81(6): 866-878.
[12]	Mercer A, Grimes A. Atlantic tropical cyclone rapid intensification probabilistic forecasts from an ensemble of machine learning methods [J]. Procedia Computer Science, 2017, 114: 333-340.
[13]	Rozoff C M, Velden C S, Kaplan J, et al. Improvements in the probabilistic prediction of tropical cyclone rapid intensification with passive microwave observations[J]. Weather and Forecasting, 2015, 30(4): 1016-1038.
[14]	Bhatia K T, Nolan D S, Schumacher A B, et al. Improving tropical cyclone intensity forecasts with PRIME[J]. Weather and Forecasting, 2017, 32(4): 1353-1377.
[15]	DeMaria M, Kaplan J. A statistical hurricane intensity prediction scheme (SHIPS) for the Atlantic Basin[J]. Weather and Forecasting, 1994, 9(2): 209-220.
[16]	Knaff J A, Sampson C R, DeMaria M. An operational statistical typhoon intensity prediction scheme for the western north Pacific[J]. Weather and Forecasting, 2005, 20(4): 688-699.
[17]	Chen P Y, Yu H, Chan J C L. A western North Pacific tropical cyclone intensity prediction scheme[J]. Acta Meteorologica Sinica, 2011, 25(5): 611-624.
[18]	Pan B, Xu X, Shi Z W. Tropical cyclone intensity prediction based on recurrent neural networks[J]. Electronics Letters, 2019, 55(7): 413-415.
[19]	Jiang S L, Fan H J, Wang C Z. Improvement of typhoon intensity forecasting by using a novel spatio-temporal deep learning model[J]. Remote Sensing, 2022, 14(20): 5205.
[20]	Chen R, Wang X, Zhang W M, et al. A hybrid CNN-LSTM model for typhoon formation forecasting[J]. GeoInformatica, 2019, 23(3): 375-396.
[21]	Wang X, Chen K, Liu L, et al. Global tropical cyclone intensity forecasting with multi-modal multi-scale causal autoregressive model[J]. arXiv:2402.13270v1.
[22]	Yuan S J, Wang C, Mu B, et al. Typhoon intensity forecasting based on LSTM using the rolling forecast method[J]. Algorithms, 2021, 14(3): 83.
[23]	Zhou J Y, Xiang J, Huang S X. Classification and prediction of typhoon levels by satellite cloud pictures through GC-LSTM deep learning model[J]. Sensors, 2020, 20(18): 5132.
[24]	Xu G N, Lin K H, Li X T, et al. SAF-Net: a spatio-temporal deep learning method for typhoon intensity prediction[J]. Pattern Recognition Letters, 2022, 155: 121-127.
[25]	Vaswani A, Shazeer N, Parmar N, et al. Attention is All you Need[J]. arXiv:1706.03762v7.
[26]	Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth 16x16 words: Transformers for image recognition at scale[J]. arXiv:2010.11929v2.
[27]	Guo B, Li X, Yang M, et al. Predicting microsatellite instability and key biomarkers in colorectal cancer from H&E‐stained images: achieving state‐of‐the‐art predictive performance with fewer data using Swin Transformer[J]. The Journal of Pathology: Clinical Research, 2023, 9(3): 223-235.
[28]	Bertasius G, Wang H, Torresani L. Is Space-Time Attention All You Need for Video Understanding [A]. arXiv:2102.05095v4.
[29]	Ioffe S, Ioffe S, Szegedy C, et al. Batch normalization: accelerating deep network training by reducing internal covariate shift[C]//Proceedings of the 32nd International Conference on Machine Learning. 2015, 37: 448-456.
[30]	Knapp K R, Kruk M C, Levinson D H, et al. The international best track archive for climate stewardship (IBTrACS): unifying tropical cyclone data[J]. Bulletin of the American Meteorological Society, 2010, 91(3): 363-376.