一种用于台风波浪模型的泛化参数校准框架，该框架采用预优化降维技术应用于南海区域

《Ocean Engineering》：A generalized parameter calibration framework for typhoon wave models using pre-optimization dimensionality reduction in the South China Sea

　　• 提出了一套自动化的降维框架，用于优化前的预处理。• 将Morris灵敏度分析和TPE贝叶斯优化结合应用于WW3-ST6模型。• 在极端台风状态下，联合校准了五个核心物理参数。• 优化后的参数将波浪模拟的均方根误差（RMSE）在验证数据中降低了29.69%。• 该框架具有通用性，可高度移植到其他数值波浪模型中。

引言
在极端风暴条件下准确模拟波浪场是海岸工程、海洋结构设计与制造以及海洋灾害预防和减灾的共同前提。在数值模拟中，如果极端波浪参数没有得到准确模拟，实际风险可能会被掩盖。防波堤因波浪溢出而发生不稳定，以及海上平台的结构损坏甚至倒塌，都可能直接威胁生命和财产安全。第三代波浪模型，以WAVEWATCH III（WW3）和SWAN为代表，通过求解波浪作用平衡方程并整合风能输入、白沫耗散和底部摩擦等物理过程，显著提高了模拟极端风暴下波浪行为的能力（Rogers等人，2012年；Zieger等人，2015年）。然而，模型预测精度的进一步提高不仅取决于数值框架本身的进步，还极大依赖于物理方案中经验参数的适当校准。不同源项包对显著波高的模拟精度差异显著（Umesh和Behera，2020年）。基于多卫星观测数据，Soran等人（2022年）对黑海地区的五个源项包进行了空间校准和比较，证明ST6是捕捉极端波高特征的最佳选择。Kalourazi等人（2021年）在对飓风Ivan的模拟评估中进一步确认，在飓风的核心影响范围内，系统优化的ST6方案比ST3和ST4表现显著更好。ST6方案在极端气旋条件下的优越性根本原因在于其以观测为驱动的设计理念：该方案在强风条件下引入了气流分离效应，并将波浪增长率对波陡度的非线性依赖性纳入其参数化框架（Liu等人，2019年；Roh等人，2023年）。基于以上理解，本研究选择ST6源项包作为核心物理方案，针对南海频繁发生的极端台风海况进行参数校准研究。然而，ST6的默认参数主要是基于全球平均海况或特定实验（例如澳大利亚的乔治湖）提出的，当直接应用于特定区域的极端海况时，常常存在系统偏差（Fernández等人，2021年；Li等人，2026年；Amarouche等人，2023年）。在半封闭盆地（如黑海（Soran等人，2022年）和地中海（Mentaschi等人，2015年）进行的空间校准研究表明，默认参数难以准确描述极端波高，因此需要进行区域特定的参数调整。传统的参数校准方法主要依赖于手动试错或一次一个参数（OAT）的灵敏度分析。例如，Lee等人（2009年）在台湾周围的海域进行了系统的OAT灵敏度分析，以确定关键参数的优先级；Roh等人（2023年）通过改变CDFAC和SINA0在东亚水域进行了灵敏度数值模拟，发现CDFAC显著影响了显著波高的预测性能。然而，这些方法不仅劳动密集且高度主观，而且在处理高维参数空间时常常面临“等效性”问题——不同的参数组合可能产生相似的模拟结果，使得找到真正的全局最优解变得困难（Simmons等人，2017年）。为了克服手动参数调整的主观性和低效率，波浪模型校准领域正在加速向自动化、智能化和系统化的优化框架转型。在算法层面，全局优化方法（如BOBYQA）已被应用于WW3模型的多参数自动校准，显示出其相对于传统局部调整策略的优越性（Gorman和Oliver，2018年）；同时，基于MCMC采样的贝叶斯推理方法（如DREAM算法）不仅实现了SWAN模型的自动参数校准，还严格量化了由等效性问题引起的参数不确定性（Simmons等人，2017年；Alonso和Solari，2021年）。然而，MCMC方法所需的数千次迭代给第三代波浪模型带来了巨大的计算负担。为了解决这一问题，研究人员越来越多地引入机器学习替代模型（如人工神经网络）来替代昂贵的物理模型评估，从而大幅降低了校准成本（James等人，2018年；Mrozowska等人，2025年）；同样，多目标优化框架（如MO-ASMO）通过帕累托最优策略有效处理多个相互冲突的误差指标，并在WRF气象模型的联合参数校准中显示出有希望的结果（Baki等人，2022年）。Li等人（2026年）系统地整合了上述概念，提出了一个包含拉丁超立方抽样、自适应替代模型和NSGA-III多目标遗传算法的通用参数校准框架，在台湾岛周围的台风波浪模拟中实现了多参数联合优化。同时，数据驱动方法也被用来直接校正模型输出偏差；例如，Albuquerque等人（2018年）提出了一种仅使用卫星高度计数据的定向校准方法，独立校正波浪预报中的风海和涌浪分量，突破了传统整体波高校准无法分离波浪系统组分的限制。总之，当前的波浪模型校准已经从单参数优化发展成为一个综合范式，整合了全局搜索、不确定性量化、计算加速、多目标权衡和数据驱动的偏差校正；然而，当物理模型计算成本极高且参数空间具有高维特性时，现有方法仍经常面临搜索效率低和收敛困难的双重挑战。为了克服这一瓶颈，贝叶斯优化（BO）作为一种强大且高效的解决方案，用于复杂模型的系统校准而出现。该方法将校准视为一个全局优化问题，通过高斯过程（GP）或树结构Parzen估计器（TPE）等替代模型来近似目标函数，并利用获取函数巧妙地平衡探索和利用，以最少的模型评估次数有效逼近黑盒函数的最优解（Bergstra等人，2011年；Akiba等人，2019年）。近年来，贝叶斯优化已初步应用于海洋模型的参数校准。例如，Goeury等人（2026年）将TPE与TOMAWAC波浪模型结合，自动校准了法国大西洋沿岸的底摩擦、深度诱导破碎和对抗流扩散等参数，显著提高了极端风暴事件的预报精度。然而，尤其是在受台风频繁影响的南海（SCS）区域，系统地联合校准覆盖多个物理过程的关键ST6参数仍相对较少。贝叶斯优化算法依赖替代模型来拟合目标函数。尽管它们在低维空间中具有极高的采样效率，但在面对复杂模型的高维参数空间时，其探索-利用平衡机制容易失败。参数维度的增加导致搜索空间呈指数级扩展，极大地增加了贝叶斯优化过程的收敛成本，使其难以收敛到全局最优解（Shahriari等人，2015年）。基于此，本研究提出了“优化前的降维”耦合策略，首先使用Morris全局灵敏度分析方法对完整参数空间进行初步筛选（Campolongo等人，2007年；Morris，1991年）。利用Morris方法的高效筛选能力，消除了对波浪演化物理过程贡献较小的冗余参数，从而将高维优化问题转化为低维核心参数的精细化解决方案。该方法有效地规避了单次贝叶斯优化的维度限制，显著提高了极端海况下参数校准的计算效率和准确性。因此，针对南海，本研究提出了基于WW3模型的ST6源项包的“Morris全局灵敏度分析-TPE贝叶斯优化”自动化参数校准框架。首先，对9个关键物理参数进行灵敏度分析以筛选出主导参数；然后，为了实现多台风联合校准，利用浮标观测数据构建目标函数进行自动迭代优化。通过独立的台风事件验证了最优参数的鲁棒性和泛化能力，旨在为南海的台风波浪模拟提供系统优化的参数组合，并为其他模型和地区的参数校准提供可借鉴的方法论参考。

研究区域和台风案例
本研究以南海及其邻近水域作为计算域（5°N-28°N，105°E?130°E）。受季风环流和复杂岛屿-礁石地形的共同影响，该地区的风场在极端气旋经过时通常表现出强烈的非对称特性。为了平衡大尺度波浪的生成和传播、近岸水域的高精度模拟以及计算效率，采用了双嵌套的双向矩形参数灵敏度分析。

由于WW3数值模型涉及众多可调参数，如果同时将所有参数纳入校准过程将消耗巨大的计算资源，因此本研究首先进行了参数灵敏度分析，以确定每个参数对模拟结果的敏感度排名。根据这一结果，优先对具有高敏感性和明确物理意义的参数进行校准，从而实现更好的校准效果。

参数校准对波浪频谱形态的影响
为了进一步研究参数校准对波浪频谱形态的影响，选择了台风Saudel（距离台风中心约100公里的A008浮标站和距离台风中心约300公里的A014浮标站）在峰值波高时刻的二维方向谱进行比较。结果分别展示在图12和图13中。在近岸的A014浮标站，优化后的谱主要表明...

结论
针对南海极端台风海况下WAVEWATCH III（WW3）模型模拟精度不足的问题，本文基于Morris全局灵敏度分析和TPE贝叶斯优化算法开发了一个自动精细校准框架。根据Morris的评估，在南海台风海况下，海表面阻力效率（CDFAC）、对抗风耗散（SINA0）和风速等因素对波浪形成有重要影响。

作者贡献声明
黄wantao：撰写——审阅与编辑、撰写——原始草稿、可视化、验证、软件、资源、方法论、调查、形式分析、数据管理、概念化。王志峰：监督、资源、项目管理、资金获取。苗青胜：可视化、验证、资源、项目管理。吴永拓：可视化、资源、项目管理、方法论。冯玉东：可视化、验证、软件、形式分析。

利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

致谢
本研究得到了国家自然科学基金（42377457）的财政支持。