热带云团(Tropical Cloud Cluster, TCC)定义为热带洋面上生成或移动的大型、集中分布雷暴群,具备发展为热带气旋(Tropical Cyclone, TC)潜力的TCC称为TC先兆云团。TC是形成于热带或副热带洋面、具有近似对称暖心结构与地面气旋性环流的非锋面天气尺度系统,常伴随大风、暴雨及风暴潮等极端天气。已有研究表明,融合TC先兆云团发展过程中的环境场信息,而非依赖单一卫星观测,有助于提升TC生成检测模型性能。然而,现有模型虽保持较高检测概率,虚警率仍处于较高水平。基于深度学习的特征压缩方法虽能提升检测精度,但黑箱特性限制了模型可解释性,且较少有研究在性能评估基础上量化各因子对检测决策的贡献。
本研究融合卫星观测与再分析数据中的动力及热力因子,基于3D残差网络与门控循环单元(GRU)构建可解释全球TC生成检测模型,实现对潜在TC先兆云团的分类。模型输入因子包括红外亮温(IR)、气温(T)、相对湿度(RH)、纬向风(U)、经向风(V)、500 hPa垂直速度(W)、850 hPa相对涡度(Vor)、850–200 hPa垂直切变(VWS)、动力生成潜势指数(DGPI)及海表温度(SST)。

图1:全球TC生成检测模型结构示意图。X表示因子的数量,范围为1-9,具体包括:气温(T)、相对湿度(RH)、纬向风和经向风(U和V)、500hPa垂直速度(W)、850hPa相对涡度(Vor
)、850-200hPa垂直风切变(VWS)、动力生成潜势指数(DGPI)以及海表温度(SST)。
模型由三个模块组成(图1)。特征提取模块针对各因子数据维度与尺寸差异,构建独立特征提取分支。GRU处理24小时、3小时间隔的TCC中心位置序列(时间、经纬度),3D残差块提取卫星观测及再分析资料特征。特征融合模块将各分支提取特征集成并转换为融合特征向量(图2)。决策模块通过两个神经元数分别为64和1的全连接层处理融合向量,输出分类概率。若模型对某潜在TC先兆云团输出概率0.7,即以70%置信度判定该云团为TC先兆云团。

图2:全因子模型在测试集上的SHAP蜂群图。每个彩色点代表一个样本,横轴表示因子的SHAP值,纵轴表示因子名称。点的颜色表示因子数据的平均值,其中红色代表较高平均值,蓝色代表较低平均值。因子按照测试集的平均|SHAP|值大小从上到下排序,表示其对模型的重要性逐渐减小。
经递归筛选,确定以U、Vor、IR、W、V、DGPI及T为输入因子的最优模型配置。模型性能达当前最先进深度学习基准水平(HSS=0.8016,虚警率8%,命中率94%),且泛化能力更优。SHAP分析显示,动力环境因子为模型判别的主要依据,热力因子贡献次之,卫星观测并非主要检测指标(图2)。对流层低层增暖过程更能预示TCC的发展潜力,而中高层快速增暖并非TC先兆云团的典型特征(图3
)。

图3:全因子模型中不同气压层的T,RH,U和V的SHAP依赖关系图:T在(a)850hPa、(b)500hPa和(c)200hPa;RH在(d)850hPa、(e)500hPa和(f)200hPa;U在(g)850hPa、(h)500hPa和(i)200hPa;V在(j)850hPa、(k)500hPa和(l)200hPa。纵轴表示SHAP值。点根据核密度着色,其中红色表示样本密度较高。橙色水平线表示基线(SHAP=0)。黑线为LOWESS拟合曲线,灰色阴影表示95%置信区间。子图标题给出了因子平均值与其SHAP值之间的Pearson(左)和Spearman(右)相关。A*表示两者在线性关系α=0.05水平上具有统计显著性。
该成果以“An Interpretable Deep Learning Model for Detecting Tropical Cyclone Genesis Through Incorporation of the Dynamic and Thermodynamic Environment”为题发表于 Journal of Geophysical Research: Machine Learning and Computation。南京信息工程大学硕士研究生刘凯基为第一作者,赵海坤教授为通讯作者。合作者包括复旦大学吴立广教授、美国科罗拉多州立大学Philip J. Klotzbach研究员、国防科技大学马占宏教授、国家气象中心向纯怡高级工程师、国防科技大学钟伟教授和南京信息工程大学田伟教授。
文章信息
Liu,K.,Zhao, H.*, Klotzbach,P. J., Ma,Z., Xiang,C., Zhong,W., et al. (2026). An interpretable deep learning model for detecting tropical cyclone genesis through incorporation of the dynamic and thermodynamic environment. Journal of Geophysical Research: Machine Learning and Computation, 3, e2025JH001152.
声明:欢迎转载、转发。气象学家公众号转载信息旨在传播交流,其内容由作者负责,不代表本号观点。文中部分图片来源于网络,如涉及内容、版权和其他问题,请联系小编(微信:qxxjgzh)处理。
