本技术公开了一种基于AI和物理特性的TC路径与强度预测方法、设备及介质，旨在提高TC路径和强度的短时间尺度预报精度，通过整合多个具备明确物理意义的因子，如引导气流、通风流、涡度、海洋表层温度等，对这些物理因子进行相关性分析和回归分析等，确保了输入因子对TC路径和强度变化具有显著影响。采用卷积神经网络(CNN)、循环神经网络(RNN)、多层感知机(MLP)、随机森林(RF)、极限梯度提升(XGBoost)和长短期记忆网络(LSTM)等多种AI模型，捕捉气象因子间复杂的非线性关系。此外，通过采用实时反馈机制，允许新观测数据动态输入并优化模型参数，提升了预测结果实时性。该方法特别适用于西北太平洋区域，并具备广泛的应用前景，如在气象、航空、海运等领域提供科学支持。
背景技术
热带气旋（Tropical Cyclone, TC）作为气象学中一种重要且复杂的现象，其能引发狂风、暴雨、洪涝及风暴潮等极端天气，因此提高TC的路径和强度预报的准确性和时效性一直是气象灾害预报中的重要课题。随着全球气候变化的加剧，极端天气事件的频发使得TC预报的准确性和时效性愈加重要。
传统的TC预报主要依赖于数值天气预报（Numerical Weather Prediction, NWP）模型，这些模型通过求解大气动力学和热力学方程来模拟气象系统的演变过程。然而，尽管NWP模型在长期预测方面表现出较高的准确性，但在短期（如6-24小时）预报中，它们往往面临许多挑战。首先，数据同化技术虽然日趋成熟，但实时观测数据的质量和数量常常无法满足需求，从而影响模型的表现。其次，NWP模型需要大量计算资源，尤其是在高分辨率的情况下，这使得其应用受到限制。此外，TC的演变受到多种气象因子的共同影响，如大气的垂直风切变、海洋表层温度、环境湿度等，传统模型在处理这些复杂的非线性关系时能力不足，往往导致预测结果的偏差。
近年来，人工智能（AI）技术的快速发展为气象预报提供了新的可能性。利用机器学习和深度学习算法，AI模型能够从大规模的气象数据中提取有用特征，捕捉气象因子之间复杂的关系。例如，卷积神经网络（CNN）和循环神经网络（RNN）等先进的AI模型已经被广泛应用于TC路径和强度的预测中。这些模型的优势在于其强大的特征提取能力和对复杂模式的适应性，能够在某些情况下超越传统的数值模型。然而，尽管AI模型在某些场合表现良好，但其预测结果往往缺乏可解释性，特别是在涉及多种气象因子交互作用时。
目前涉及AI模型的研究大多未能充分考虑对TC路径和强度有明显物理意义的因子，如对台风路径影响较大的引导气流，对台风强度影响较大的海洋表层及次表层温度和中尺度海洋涡旋信息等。这些因子在影响TC的运动和强度方面起着至关重要的作用，但现有AI模型中，由于其关注点更多在于数据驱动的算法优化，往往忽视了这些物理因子与热带气旋行为之间的直接联系，而若将其纳入AI模型输入中，则有望显著提高预报的准确性和可靠性。其次，尽管现有的AI模型具有强大的特征提取能力，但其往往缺乏对物理过程的深入理解，从而限制了模型的泛化能力和在极端情况下的表现。
综上所述，如何将物理过程与人工智能技术有效结合，并充分考虑多种影响因子的协同作用，构建一个创新的并具备高效率、高准确性和良好可解释性的TC路径和强度预报模型，从而提高TC预报的准确性和时效性，为气象服务、灾害管理和相关决策提供更为有效的支持，是当前TC路径和强度预报研究领域亟待解决的技术问题。
实现思路