CycloneMAE: Neues Multi-Task-Modell verbessert globale Tropensturmvorhersagen

Ein neues Modell namens CycloneMAE setzt neue Maßstäbe bei der Vorhersage von Tropenstürmen. Durch die Kombination eines strukturbewussten Masked Autoencoders mit einer probabilistischen Rasterung liefert CycloneMAE gleichzeitig deterministische und Wahrscheinlichkeitsvorhersagen. Das System nutzt ein Pre‑Train/Fine‑Tune‑Paradigma, um aus multimodalen Daten – darunter Satellitenbilder und atmosphärische Messwerte – übertragbare Repräsentationen zu lernen.

In Tests über fünf globale Ozeanbasen übertrifft CycloneMAE führende numerische Wettervorhersagesysteme bei der Prognose von Luftdruck und Wind bis zu 120 Stunden im Voraus und bei der Bahnbestimmung bis zu 24 Stunden. Die Analyse der Lernmechanismen mittels Integrated Gradients zeigt, dass kurzfristige Vorhersagen vor allem auf die convective Core-Struktur der Stürme aus Satellitenbildern zurückgreifen, während längere Vorhersagen vermehrt auf externe Umweltfaktoren achten.

Die Ergebnisse demonstrieren, dass CycloneMAE eine skalierbare, probabilistische und interpretierbare Lösung für die operative Vorhersage von Tropenstürmen darstellt und damit einen wichtigen Schritt zur Verbesserung der Frühwarnsysteme darstellt.