风暴潮是全球沿海区域破坏性极强的典型海洋灾害。当前，全球海平面加速上升、台风活动频次与强度显著增强，进一步加剧我国沿海地区风暴潮、洪涝、海水倒灌等灾害风险。由于风暴潮演变过程受台风路径、大气强迫、海底地形、潮汐作用等多要素非线性耦合驱动，呈现强非线性、多尺度时空关联的复杂特征，致使长期精准预报一直是海洋防灾减灾领域的技术瓶颈。
针对这一行业难题，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）联合美国马里兰大学，创新研发出融合混合深度学习架构与多维度可解释性分析的风暴潮预报新体系，成功实现渤海海域风暴潮中长期高精度预报，精准厘清了风暴潮演变的核心物理驱动机制，在海洋灾害智能预报领域取得关键性技术突破，为沿海地区风暴潮风险评估、应急预警、防灾减灾工作提供了强有力的技术支撑。
研究团队聚焦渤海典型海域，选取塘沽、黄骅、潍坊三大核心验潮站作为关键研究点位（图1），基于2000—2022年影响渤海的15场台风实测数据，结合ADCIRC数值模拟技术，构建了高精度、高可靠性的模型训练数据集。针对风暴潮不同预报时效的技术难点，团队搭建了差异化智能预报模型体系：面向24小时多步连续预报，团队构建CNN-BiLSTM-Attention混合深度学习模型（图2），通过卷积神经网络提取海洋环境局部特征、双向长短期记忆网络捕捉时序演变规律、注意力机制自适应赋能关键预报信息，搭建起端到端的24小时连续精准预报框架。针对24—72小时中长期单步预报，采用独立BiLSTM模型，有效规避复杂模型架构带来的误差累积问题，大幅提升中长期预报稳定性与可靠性。
为破解深度学习预报模型“黑箱”难题，明晰模型预报逻辑与物理机理，团队融合SHAP、PIM、SFS三种主流可解释性分析工具，从多维度、多层次量化各类气象、海洋因子对风暴潮预报结果的影响权重，实现了智能预报结果的物理机制可解释、过程可追溯。
图1研究区域与台风路径
图2机器学习混合模型架构
研究团队选取“梅花”“烟花”“利奇马”三场典型独立台风事件开展模型性能验证测试。结果表明，搭载注意力机制的CNN-BiLSTM-Attention模型，24小时多步预报误差远优于传统对照模型（图3）。独立BiLSTM模型在24—72小时中长期预报中展现出高精度、强稳定性的优势，48小时内风暴潮峰值量级、峰现时刻的预报偏差均控制在业务化应用允许范围内，完全契合渤海沿海防灾减灾应急预警的时间窗口，具备极强的业务落地价值。
图3各站点24小时多步预报及模型－观测对比散点图
多维度可解释性分析进一步揭示了渤海风暴潮演变的核心物理驱动规律（图4）。三种分析方法结果高度一致，证实台风纬度是全预报时效下最核心的预测因子，台风中心气压、最大风速分别为第二、第三关键影响因子，充分印证了大气强迫在风暴潮生成演变中的主导作用。
研究同时发现，各因子的影响权重随预报时效呈现规律性变化：24—48小时中期预报中，台风纬度、中心气压、最大风速、移动速度多因子协同驱动风暴潮演变；60—72小时长期预报中，台风中心气压的影响权重显著提升，通过“逆气压效应”调控海域低频背景水位，成为长时效风暴潮预报最稳定、最关键的预测信号。此外，研究发现海河口塘沽站的大气强迫贡献相对弱化，表明河口复合洪水区域的风暴潮预报需进一步纳入河流径流、潮汐相位等关键因子，为后续模型优化指明了方向。
图4各预报时效下特征重要性SHAP分析
研究成果以“Explainable deep learning methods for medium- and long-term storm surge forecast”为题，发表于领域国际期刊Ocean Modelling。该研究工作得到国家自然科学基金委员会、中国科学院项目、山东省重点研发计划等项目的资助。
论文信息：
Su C., Sahoo B., Mao M.*, Xia M., 2026. Explainable deep learning methods for medium- and long-term storm surge forecast. Ocean Modelling, 204, 102789. https://doi.org/10.1016/j.ocemod.2026.102789
信息来源：中国科学院烟台海岸带所。
转载请注明信息来源及海洋知圈编排。
打开网易新闻 查看精彩图片
热门跟贴