基于AI和物理特性的TC路径与强度预测方法、设备及介质

本发明公开了一种基于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。