台风强度预报不再只看云图：TCFNet用气压趋势引导视觉编码，24小时气压误差降到9.52 hPa
核心概要
热带气旋强度预报长期依赖最佳路径数据或静止卫星云图，而相似的云型可能对应增强、维持、减弱三种不同演变，通用融合策略难以区分。TCFNet用气压梯度定义强度趋势，据此挑选对比学习的正样本对，让视觉编码器学到与强度变化一致的云图表示，再用神经常微分方程把状态连续外推到任意预报时刻。在西北太平洋与南太平洋两个盆地的24小时预报中，其气压均方根误差分别为9.52 hPa和7.00 hPa，快速增强识别的临界成功指数为45.26%。
深度剖析
热带气旋强度预报多了一条不靠通用特征融合的路线：卫星云图的视觉表示由强度变量本身来引导，而不是让模型自行决定哪些云型特征重要。 此前的多模态方法把静止卫星图像与最佳路径时间序列直接拼接或相加，没有显式建模物理变量与视觉特征之间的一致性；而云图上相似的视觉结构可能对应增强、维持和减弱三种截然不同的强度演变。 在西北太平洋与南太平洋两个盆地、以过去12小时观测预报未来24小时气压与风速的设定下，TCFNet在多数预报时效上取得所比较方法中最低的误差，24小时气压均方根误差在西北太平洋为9.52 hPa、在南太平洋为7.00 hPa。
模型把热带气旋强度当作一个连续演化的物理过程来处理，因此可以在不规则采样和任意预报时刻上给出预测。 离散循环模型被固定时间步约束，且已有方法要求完整、规则的历史观测，难以应对缺测和灵活预报时效。 训练在规则网格序列上进行，但时间戳经时间编码进入带时间感知的门控循环单元，状态演化由神经常微分方程配合自适应步长求解器积分；在西北太平洋上随机丢弃25%、50%、75%的输入观测时模型仍能运行，风速预报在50%和75%缺失率下分别下降约18.1%和31.8%。
云图信息对长时效预报的贡献可以被单独量化：去掉视觉流后误差上升，且时效越长越明显。 以完整模型为参照，去掉视觉流的变体在24小时时效上气压与风速均方根误差分别上升21.71%和13.07%。 该消融在西北太平洋上以三个随机种子重复，完整模型24小时气压误差为9.49±0.04 hPa，去掉视觉流后为11.55±0.05 hPa。
启示与展望
评估限定在DigitalTyphoon提供的西北太平洋与南太平洋两个盆地，输入为过去12小时、3小时间隔的观测，输出为未来24小时气压与风速；训练、验证、测试按热带气旋事件划分。作者指出，改进物理变量的估计或同化是后续方向。
模型效果依赖物理变量的可得性与质量，极端天气下精确测量难以获得，洋面上原位观测稀疏，这些不确定性可能影响稳健性。缺测实验中性能随缺失率上升而逐步下降，作者称缺失输入仍是挑战性因素。连续版本与离散版本在评估时效上精度相当，连续版本单样本推理耗时0.23秒，离散版本为0.0093秒。