基于LiESN的实测数据与数值模型融合提升港口航道海流预报精度研究

本研究针对港口航道海流预报中实测数据不规则缺失的难题，创新性地采用泄漏积分回声状态网络（LiESN）融合数值模型与实测数据，通过零阶保持策略处理多变量不规则时间序列。结果表明，LiESN-ADCP架构在缺失数据场景下显著提升系统鲁棒性，为海事安全与导航优化提供可靠技术支撑。

　　

海洋环境预报是保障航海安全、风暴潮预警等社会经济活动的关键技术。当前主流方法依赖基于Navier-Stokes方程的数值模型，但机器学习（ML）因其强大的时序模式学习能力逐渐崭露头角。然而，实测数据常存在不规则缺失，且物理模型与数据驱动方法的协同效应尚未充分探索。针对这一瓶颈，圣保罗大学等机构的研究团队在《Environmental Modelling》发表论文，探索泄漏积分回声状态网络（Leaky-integrator Echo State Networks, LiESN）如何融合数值模型与实测数据提升巴西桑托斯港航道海流预报性能。

研究采用三项关键技术：1）LiESN架构通过随机权重储层（reservoir）处理时序依赖，其泄漏机制（leaky-integrator）增强对不规则数据的适应性；2）零阶保持（zero-order hold）策略将多源不规则时间序列（如ADCP声学多普勒流速剖面仪和SOFS数值模型数据）转化为统一输入；3）性能评估采用一致性指数（IOA）和平均绝对误差（MAE），对比114次预报测试结果。

研究结果
Forecast study case: Santos port entrance channel
以桑托斯港航道为案例，团队整合ADCP实测数据与SOFS数值模型输出。ADCP数据采样间隔为10分钟，而SOFS模型输出为小时级，通过插值对齐时间戳。

Results and discussion
LiESN-ADCP架构表现最优（平均IOA 0.92±0.03），纯数值模型的LiESN-SOFS（IOA 0.85±0.05）和混合输入的LiESN-ADCP+SOFS（IOA 0.89±0.04）略逊。值得注意的是，数值模型虽未提升精度，但在ADCP数据缺失时使MAE波动降低40%，显著增强系统鲁棒性。

Conclusion
研究表明，LiESN能有效融合物理模型与实测数据，其零阶保持策略解决了多源异构数据输入的工程难题。尽管数值模型单独使用时精度有限，但其作为"知识锚点"（knowledge anchor）在数据缺失时维持了系统稳定性。该成果为复杂海洋环境下的实时预报提供了可扩展框架，尤其适用于发展中国家数据采集受限的场景。

CRediT authorship contribution statement
第一作者Felipe M. Moreno负责算法开发与实验验证，Marcel R. de Barros提供数据支持，Artur Jord?o和Marlon S. Mathias指导项目方向，Marcelo Dottori参与结果分析。研究获圣保罗研究基金会（FAPESP）和IBM联合资助，代码已在GitHub开源。这项跨学科工作标志着物理机理与数据驱动方法在海洋预报领域的成功协同。