風暴潮是沿海地區(qū)的重大海洋災害之一。當前主流的預報手段以確定性預報為主，未能充分挖掘與量化預測過程中的不確定性，難以滿足海洋防災減災精細化預警需求。針對這一關鍵問題，中國科學院煙臺海岸帶研究所近岸河口物理海洋研究組（毛淼華研究團隊）開展專項研究，成功開發(fā)出一套適用于渤海地區(qū)的風暴潮概率深度學習框架（圖1），構建了融合雙向長短期記憶網絡（BiLSTM）、自適應帶寬核密度估計（ABKDE）與序列前向選擇（SFS）方法的可解釋混合建模體系（圖2）。該成果為風暴潮災害風險評估、預警發(fā)布提供了高精度的可解釋性概率預報新方案，在渤海風暴潮不確定性量化與精準預報領域實現(xiàn)了重要突破。

圖1 概率性風暴潮預測模型的整體框架

圖2 (a) LSTM與(b) BiLSTM模型

該研究構建的概率性風暴潮預測模型，核心創(chuàng)新點在于對傳統(tǒng)預報方法的優(yōu)化與多方法的有機融合。其中，ABKDE方法憑借自適應帶寬調節(jié)機制，有效克服了傳統(tǒng)基準方法在尾部擬合精度不足、局部細節(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，大幅提升了風暴潮概率預報的整體性能。實際驗證表明，該模型的點預測結果可精準追蹤風暴潮水位的宏觀演變過程；在構建90%預測區(qū)間時，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特征，實現(xiàn)了對渤海風暴潮高質量、精準量化預報（圖3）。

圖3 基于 BiLSTM-ABKDE 的風暴潮 1 h和24 h區(qū)間預測（ 90%-CI）

研究團隊進一步揭示了渤海風暴潮預測不確定性的空間分布特征與時空演變規(guī)律。渤海風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非線性動力過程的疊加影響，近岸海灣尤其是灣頂的塘沽站成為不確定性的高值聚集區(qū)，其絕對不確定性水平顯著高于開闊的中央盆地。隨著預報時效延長至 12小時與 24小時，渤海全海域不確定性水平呈顯著上升趨勢，沿岸與灣內高值區(qū)的增幅與影響范圍同步擴張，并向外海輻射。這一變化主要源于氣象輸入誤差隨預報時效延長的持續(xù)累積放大，而遼東灣等特定水域受水體堆積與動力響應滯后效應調制，在長時效預報中表現(xiàn)出更為劇烈的不確定性擴張?zhí)卣鳌?/p>

圖4 渤海風暴潮增水預測絕對不確定性（ AU）空間分布， 預報時效為（a）1 h、（b）6 h、（c）12 h 和（d）24 h

同時，研究通過模型精準識別出“中心氣壓-最大風速-緯度”為渤海風暴潮預測的最優(yōu)特征組合，明確了各特征的物理驅動機制：最大風速與中心氣壓構成了風暴潮增水生成的能量基礎，緯度則對水動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)的關鍵空間開關。緯度因子的引入，有效消除了局地流場相位的模糊性，使全局預測不確定性大幅削減約1/3；而經度因與緯度軌跡存在高度信息冗余，對模型物理約束的實質貢獻極小，未入選最優(yōu)預測特征集，這一結論為風暴潮預報特征的篩選提供了重要科學依據。

該研究構建的可解釋混合建?？蚣埽粌H為風暴潮概率預報提供了更全面、信息更豐富的預測結果，更實現(xiàn)了將預測不確定性轉化為支撐預警決策的關鍵信息，能夠顯著提升風暴潮災害預警的科學性與高效性，為沿海地區(qū)海洋防災減災及海岸帶綜合管理提供了重要的技術支撐與科學參考。

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基金委員會、中國科學院、山東省等的支持。

相關論文信息：

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:中國科學院煙臺海岸帶所。

  轉載請注明信息來源及海洋知圈編排。

?點擊下圖報名，