转自：https://qdio.cas.cn/2019Ver/News ... 260121_8114959.html
近日，中国科学院海洋研究所人工智能海洋学研究组在Journal of Geophysical Research: Machine Learning and Computation上发表最新研究成果，提出了一种知识引导的深度学习框架，实现了利用红外卫星云图对热带气旋中心、强度和风圈半径的同步、物理一致性监测。这一方法为解决人工智能气象应用中常见的“物理不可解释”与“物理不一致”问题提供了新的解决方案。
热带气旋监测是防灾减灾的关键，但现有智能方法多采用“先定位、后估算”的串行模式，不仅易导致误差累积，且常因忽略要素间的物理联系而产生“物理不一致”现象（如弱台风被误判为大风圈），难以满足业务化需求。
针对此难题，该研究构建了名为知识引导的通用台风监测模型（KG-TCM）的智能监测框架，以未对齐的红外卫星云图作为输入，通过包含局部相对位置编码（LRPE）的主干网络提取多尺度空间特征，随后经由共享特征提取模块分流至中心定位、强度反演和风圈半径反演三个任务分支。框架也特别引入了跨分支关联学习（CBCL）模块以强化任务间的信息交互，并结合知识引导的损失函数进行物理约束，最终在一次前向传播中实现对台风三大核心要素的同步与物理一致性监测。研究创新性地将物理先验知识“嵌入”模型，显式约束了台风中心纬度（表征科氏力）、强度与风圈半径之间的动力学依赖关系。这一设计迫使智能模型遵循大气动力学规律，有效解决了纯数据驱动模型的物理不一致问题，为构建物理可解释的海洋气象智能监测系统提供了关键支撑。
图 1 知识引导的通用台风监测模型（KG-TCM）框架
论文第一作者为中国科学院海洋研究所博士后王充，通讯作者为李晓峰研究员。研究获得国家自然科学基金等项目资助。
论文信息：
Wang, C., and Li, X*. (2026). Physically consistent tropical cyclone monitoring from infrared satellite imagery via knowledge-guided deep learning. Journal of Geophysical Research: Machine Learning and Computation, 3(1), e2025JH000875.
https://doi.org/10.1029/2025JH000875 | 
发表于 