中国科学院烟台海岸带所在渤海风暴潮概率预报研究领域取得新突破！|世界气象日|中国科学院|概率预报|渤海风暴潮|灾害|烟台海岸带|近岸

风暴潮是沿海地区的重大海洋灾害之一。当前主流的预报手段以确定性预报为主，未能充分挖掘与量化预测过程中的不确定性，难以满足海洋防灾减灾精细化预警需求。针对这一关键问题，中国科学院烟台海岸带研究所近岸河口物理海洋研究组（毛淼华研究团队）开展专项研究，成功开发出一套适用于渤海地区的风暴潮概率深度学习框架（图1），构建了融合双向长短期记忆网络（BiLSTM）、自适应带宽核密度估计（ABKDE）与序列前向选择（SFS）方法的可解释混合建模体系（图2）。该成果为风暴潮灾害风险评估、预警发布提供了高精度的可解释性概率预报新方案，在渤海风暴潮不确定性量化与精准预报领域实现了重要突破。

图1 概率性风暴潮预测模型的整体框架

图2 (a) LSTM与(b) BiLSTM模型

该研究构建的概率性风暴潮预测模型，核心创新点在于对传统预报方法的优化与多方法的有机融合。其中，ABKDE方法凭借自适应带宽调节机制，有效克服了传统基准方法在尾部拟合精度不足、局部细节刻画模糊等方面的固有缺陷；整合后的BiLSTM-ABKDE模型则成功解决了非高斯残差的拟合难题，大幅提升了风暴潮概率预报的整体性能。实际验证表明，该模型的点预测结果可精准追踪风暴潮水位的宏观演变过程；在构建90%预测区间时，模型能够稳定兼顾更高的区间覆盖率与更紧凑的区间宽度，呈现出平稳阶段收敛、剧烈变化阶段展宽的自适应特征，实现了对渤海风暴潮高质量、精准量化预报（图3）。

图3 基于 BiLSTM-ABKDE 的风暴潮 1 h和24 h区间预测（ 90%-CI）

研究团队进一步揭示了渤海风暴潮预测不确定性的空间分布特征与时空演变规律。渤海风暴潮的不确定性整体处于较低水平，高值区主要集中在沿岸带及三大海湾的近岸浅水区，中央盆地则维持低值且空间梯度平缓（图4）。受海湾漏斗地形与浅水强非线性动力过程的叠加影响，近岸海湾尤其是湾顶的塘沽站成为不确定性的高值聚集区，其绝对不确定性水平显著高于开阔的中央盆地。随着预报时效延长至 12小时与 24小时，渤海全海域不确定性水平呈显著上升趋势，沿岸与湾内高值区的增幅与影响范围同步扩张，并向外海辐射。这一变化主要源于气象输入误差随预报时效延长的持续累积放大，而辽东湾等特定水域受水体堆积与动力响应滞后效应调制，在长时效预报中表现出更为剧烈的不确定性扩张特征。

图4 渤海风暴潮增水预测绝对不确定性（ AU）空间分布，预报时效为（a）1 h、（b）6 h、（c）12 h 和（d）24 h

同时，研究通过模型精准识别出“中心气压-最大风速-纬度”为渤海风暴潮预测的最优特征组合，明确了各特征的物理驱动机制：最大风速与中心气压构成了风暴潮增水生成的能量基础，纬度则对水动力相位起到核心约束作用，是决定渤海盆地“填充（向岸增水）”与“排空（离岸减水）”状态的关键空间开关。纬度因子的引入，有效消除了局地流场相位的模糊性，使全局预测不确定性大幅削减约1/3；而经度因与纬度轨迹存在高度信息冗余，对模型物理约束的实质贡献极小，未入选最优预测特征集，这一结论为风暴潮预报特征的筛选提供了重要科学依据。

该研究构建的可解释混合建模框架，不仅为风暴潮概率预报提供了更全面、信息更丰富的预测结果，更实现了将预测不确定性转化为支撑预警决策的关键信息，能够显著提升风暴潮灾害预警的科学性与高效性，为沿海地区海洋防灾减灾及海岸带综合管理提供了重要的技术支撑与科学参考。

目前，该研究成果以“Probabilistic storm surge forecasting in the Bohai Sea: A deep learning framework with adaptive uncertainty quantification”为题，发表于国际期刊Estuarine, Coastal and Shelf Science。研究工作得到国家自然科学基金委员会、中国科学院、山东省等的支持。

相关论文信息：

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.