Interpretable deep learning network significantly improves tropical cyclone intensity forecast accuracy

Исследователи из Национального университета оборонных технологий Китая предложили новый метод прогнозирования интенсивности тропических циклонов (TC) с помощью интерпретируемой сети глубокого обучения — TCI–KAN. Система интегрирует сети Колмогорова–Арнольда (KAN) с модулем оптимизации выбора предикторов и демонстрирует значительное повышение точности 6-часовых прогнозов.

Новый подход решает ключевые проблемы существующих методов: низкую интерпретируемость, сложную подготовку признаков и ненадежность прогнозов в реальном времени. Модуль оптимизации автоматически отбирает 15 наиболее значимых предикторов из 317 возможных. TCI–KAN показала среднюю абсолютную ошибку (MAE) в 2.85 узла, превзойдя официальные оперативные прогнозы на 31%, а другие модели глубокого обучения — на 13% и 6%.

«Эта работа расширяет применение интерпретируемых сетей глубокого обучения для прогнозирования интенсивности ТЦ и значительно повышает точность. Она не только предоставляет новый технический путь, но и способствует развитию прогностической парадигмы, объединяющей методы, основанные на данных и физических механизмах», — заявил руководитель исследования профессор Вэй Чжун. Система эффективна для разных океанских бассейнов и категорий циклонов, хотя с ростом их интенсивности погрешность прогноза увеличивается.