近日，中國科學院海洋研究所李曉峰團隊在《美國國家科學院院刊》（PNAS,Proceedings of the National Academy of Sciences）發(fā)表題為"Advancing Forecasting Capabilities: A Contrastive Learning Model for Forecasting Tropical Cyclone Rapid Intensification"的突破性研究成果。該研究針對全球性的臺風快速增強（Rapid Intensification）預報難題，首創(chuàng)基于對比學習（Contrastive Learning）的人工智能模型，相較于傳統(tǒng)業(yè)務(wù)化預報方法，將快速增強事件的預報準確率從50%顯著提升至92.3%，提升約2倍；與現(xiàn)有最優(yōu)深度學習模型相比，誤報率由27%大幅降至8.9%，降幅達3倍，為全球臺風災害預警提供了革命性技術(shù)方案。
臺風快速增強定義為24小時內(nèi)最大持續(xù)風速增加超過13米/秒，是臺風突變致災的主要原因。然而，由于快速增強事件僅占所有臺風事件的5%，且受復雜的物理機制影響，傳統(tǒng)的數(shù)值和統(tǒng)計模型的預報準確率僅為50%?，F(xiàn)有深度學習模型雖將預報準確率提升至82%，但誤報率仍高達27%。研究團隊針對這一挑戰(zhàn)運用對比學習技術(shù)突破數(shù)據(jù)不平衡瓶頸，并融合三維大氣海洋環(huán)境數(shù)據(jù)、衛(wèi)星紅外影像及臺風歷史信息，實現(xiàn)臺風空間結(jié)構(gòu)與動力—熱力特征的協(xié)同解析，從而顯著提升預報精度。
對比學習模型結(jié)構(gòu)圖。在操作時，將每個未知臺風樣本（輸入Input-A）與10個已知的快速增強臺風樣本（輸入Input-B）進行比較，如果超過5個結(jié)果預報其為快速增強臺風，則將其預報為快速增強臺風。
研究團隊指出，模型性能的提升主要得益于兩大創(chuàng)新。其一，對比學習（如圖）有效平衡了樣本數(shù)量，并精準區(qū)分快速增強事件與普通事件的特征差異，從而提高預報穩(wěn)定性。其二，三維環(huán)境數(shù)據(jù)的融合增強了對臺風動力、熱力及結(jié)構(gòu)時空關(guān)聯(lián)的捕捉能力，使模型能夠更準確地識別快速增強事件。
此外，研究團隊還對誤報案例進行了深入分析，發(fā)現(xiàn)低強度臺風及特定環(huán)境條件可能導致誤報。未來，結(jié)合專家經(jīng)驗輔助修正，有望進一步提升預報精度，為臺風災害預警提供更加精準可靠的技術(shù)支持。
論文第一作者為中國科學院海洋研究所王充助理研究員，通訊作者為李曉峰研究員，合作作者為楊楠助理研究員。該研究獲得了國家自然科學基金創(chuàng)新群體項目、國家自然科學基金項目、中國科學院戰(zhàn)略先導專項等聯(lián)合資助。
