風(fēng)暴潮是沿海地區(qū)的重大海洋災(zāi)害之一。當(dāng)前主流的預(yù)報(bào)手段以確定性預(yù)報(bào)為主，未能充分挖掘與量化預(yù)測(cè)過程中的不確定性，難以滿足海洋防災(zāi)減災(zāi)精細(xì)化預(yù)警需求。針對(duì)這一關(guān)鍵問題，中國科學(xué)院煙臺(tái)海岸帶研究所近岸河口物理海洋研究組（毛淼華研究團(tuán)隊(duì)）開展專項(xiàng)研究，成功開發(fā)出一套適用于渤海地區(qū)的風(fēng)暴潮概率深度學(xué)習(xí)框架（圖1），構(gòu)建了融合雙向長短期記憶網(wǎng)絡(luò)（BiLSTM）、自適應(yīng)帶寬核密度估計(jì)（ABKDE）與序列前向選擇（SFS）方法的可解釋混合建模體系（圖2）。該成果為風(fēng)暴潮災(zāi)害風(fēng)險(xiǎn)評(píng)估、預(yù)警發(fā)布提供了高精度的可解釋性概率預(yù)報(bào)新方案，在渤海風(fēng)暴潮不確定性量化與精準(zhǔn)預(yù)報(bào)領(lǐng)域?qū)崿F(xiàn)了重要突破。

圖1 概率性風(fēng)暴潮預(yù)測(cè)模型的整體框架

圖2 (a) LSTM與(b) BiLSTM模型

該研究構(gòu)建的概率性風(fēng)暴潮預(yù)測(cè)模型，核心創(chuàng)新點(diǎn)在于對(duì)傳統(tǒng)預(yù)報(bào)方法的優(yōu)化與多方法的有機(jī)融合。其中，ABKDE方法憑借自適應(yīng)帶寬調(diào)節(jié)機(jī)制，有效克服了傳統(tǒng)基準(zhǔn)方法在尾部擬合精度不足、局部細(xì)節(jié)刻畫模糊等方面的固有缺陷；整合后的BiLSTM-ABKDE模型則成功解決了非高斯殘差的擬合難題，大幅提升了風(fēng)暴潮概率預(yù)報(bào)的整體性能。實(shí)際驗(yàn)證表明，該模型的點(diǎn)預(yù)測(cè)結(jié)果可精準(zhǔn)追蹤風(fēng)暴潮水位的宏觀演變過程；在構(gòu)建90%預(yù)測(cè)區(qū)間時(shí)，模型能夠穩(wěn)定兼顧更高的區(qū)間覆蓋率與更緊湊的區(qū)間寬度，呈現(xiàn)出平穩(wěn)階段收斂、劇烈變化階段展寬的自適應(yīng)特征，實(shí)現(xiàn)了對(duì)渤海風(fēng)暴潮高質(zhì)量、精準(zhǔn)量化預(yù)報(bào)（圖3）。

圖3 基于 BiLSTM-ABKDE 的風(fēng)暴潮 1 h和24 h區(qū)間預(yù)測(cè)（ 90%-CI）

研究團(tuán)隊(duì)進(jìn)一步揭示了渤海風(fēng)暴潮預(yù)測(cè)不確定性的空間分布特征與時(shí)空演變規(guī)律。渤海風(fēng)暴潮的不確定性整體處于較低水平，高值區(qū)主要集中在沿岸帶及三大海灣的近岸淺水區(qū)，中央盆地則維持低值且空間梯度平緩（圖4）。受海灣漏斗地形與淺水強(qiáng)非線性動(dòng)力過程的疊加影響，近岸海灣尤其是灣頂?shù)奶凉琳境蔀椴淮_定性的高值聚集區(qū)，其絕對(duì)不確定性水平顯著高于開闊的中央盆地。隨著預(yù)報(bào)時(shí)效延長至 12小時(shí)與 24小時(shí)，渤海全海域不確定性水平呈顯著上升趨勢(shì)，沿岸與灣內(nèi)高值區(qū)的增幅與影響范圍同步擴(kuò)張，并向外海輻射。這一變化主要源于氣象輸入誤差隨預(yù)報(bào)時(shí)效延長的持續(xù)累積放大，而遼東灣等特定水域受水體堆積與動(dòng)力響應(yīng)滯后效應(yīng)調(diào)制，在長時(shí)效預(yù)報(bào)中表現(xiàn)出更為劇烈的不確定性擴(kuò)張?zhí)卣鳌?/p>

圖4 渤海風(fēng)暴潮增水預(yù)測(cè)絕對(duì)不確定性（ AU）空間分布， 預(yù)報(bào)時(shí)效為（a）1 h、（b）6 h、（c）12 h 和（d）24 h

同時(shí)，研究通過模型精準(zhǔn)識(shí)別出“中心氣壓-最大風(fēng)速-緯度”為渤海風(fēng)暴潮預(yù)測(cè)的最優(yōu)特征組合，明確了各特征的物理驅(qū)動(dòng)機(jī)制：最大風(fēng)速與中心氣壓構(gòu)成了風(fēng)暴潮增水生成的能量基礎(chǔ)，緯度則對(duì)水動(dòng)力相位起到核心約束作用，是決定渤海盆地“填充（向岸增水）”與“排空（離岸減水）”狀態(tài)的關(guān)鍵空間開關(guān)。緯度因子的引入，有效消除了局地流場(chǎng)相位的模糊性，使全局預(yù)測(cè)不確定性大幅削減約1/3；而經(jīng)度因與緯度軌跡存在高度信息冗余，對(duì)模型物理約束的實(shí)質(zhì)貢獻(xiàn)極小，未入選最優(yōu)預(yù)測(cè)特征集，這一結(jié)論為風(fēng)暴潮預(yù)報(bào)特征的篩選提供了重要科學(xué)依據(jù)。

該研究構(gòu)建的可解釋混合建?？蚣埽粌H為風(fēng)暴潮概率預(yù)報(bào)提供了更全面、信息更豐富的預(yù)測(cè)結(jié)果，更實(shí)現(xiàn)了將預(yù)測(cè)不確定性轉(zhuǎn)化為支撐預(yù)警決策的關(guān)鍵信息，能夠顯著提升風(fēng)暴潮災(zāi)害預(yù)警的科學(xué)性與高效性，為沿海地區(qū)海洋防災(zāi)減災(zāi)及海岸帶綜合管理提供了重要的技術(shù)支撐與科學(xué)參考。

目前，該研究成果以“Probabilistic storm surge forecasting in the Bohai Sea: A deep learning framework with adaptive uncertainty quantification”為題，發(fā)表于國際期刊Estuarine, Coastal and Shelf Science。研究工作得到國家自然科學(xué)基金委員會(huì)、中國科學(xué)院、山東省等的支持。

相關(guān)論文信息：

Su C., Mao M.*, 2026. Probabilistic Storm Surge Forecasting in the Bohai Sea: A Deep Learning Framework with Adaptive Uncertainty Quantification. Estuarine, Coastal and Shelf Science. 336, 109877.

Su C., Sahoo, B.*, Mao, M., Xia, M., 2025. Machine Learning Techniques for Predicting Typhoon-Induced Storm Surge Using a Hybrid Wind Field. Journal of Geophysical Research: Machine Learning and Computation. 2, e2024JH000507.

• 信息來源:中國科學(xué)院煙臺(tái)海岸帶所。

  轉(zhuǎn)載請(qǐng)注明信息來源及海洋知圈編排。

?點(diǎn)擊下圖報(bào)名，