热带气旋（Tropical Cyclone, TC）生成预测是气象预报中的重大挑战。传统机器学习方法通常将热带气旋生成（Tropical Cyclone Genesis , TCG）预测视为二分类问题，即判断是否会发展成台风，但无法提供生成的具体位置信息。本研究基于UNet++架构，构建了一种像素级台风生成位置预测模型，将台风生成预测从传统的二分类问题重构为语义分割任务，不仅能够输出台风生成的全区域概率分布图以实现精准定位，同时可通过后处理自然退化为二分类预测，兼具"能否生成"的判断能力与在何处生成的定位能力。模型基于2014-2023年ERA5再分析数据与IBTrACS最佳路径数据集进行训练与预测，输入过去24小时（6小时分辨率共四个时刻）的气象要素场，直接预测台风生成的可能位置。为捕捉台风生成前关键物理量的演变趋势，本研究创新性地引入了一阶和二阶时间差分特征。实验结果表明，模型在独立测试集上取得了良好的预测性能，为进一步提升预测的稳定性与泛化能力，本研究采用集成学习策略，训练3个不同随机数种子的UNet++模型并取平均预测结果，结果显示，中心定位F1分数（Center F1，基于5°半径内中心点匹配）达到0.884，样本级二分类F1分数达到0.767，样本级召回率高达0.917，中心定位精度达0.998。相比（Nguyen et al., 2024）基于ResNet的TCG分类方法（提前6小时预报F1分数约0.48），相较于 ECMWF、UKMO 集合数值模式对热带气旋生成识别能力偏弱、最大检出率 0.59 且仅能输出离散涡旋点位的局限（Majumdar et al., 2026），本模型漏报更少、定位误差极小，同时输出全域连续概率场，精细化预警优势突出。通过Gradient-based特征重要性分析，揭示了三个核心发现：（1）中低层涡度特征是主导因子，其中500hPa涡度的一阶差分（即涡度在最近6小时的变化率）排名第一；（2）差分特征（反映物理量的变化趋势）的重要性系统性高于原始时刻特征；（3）原始时刻特征场中，台风生成前18-24小时的环流背景对预测贡献最大。本研究为台风生成位置预测提供了新的技术路径，也为理解台风生成机理提供了数据驱动的物理见解。
 

台风生成预测,台风生成定位预测,UNet++