基于人工神经网络和概率圈的长江口风暴潮预报系统

《Ocean Modelling》：A Storm Surge Forecasting System in the Yangtze Estuary Based on Artificial Neural Networks and Probability Circle

　　

**摘要**

基于人工神经网络的台风路径预测和概率圈驱动了ADCIRC增水预报。米塔格台风的集合模拟显示增水幅度存在较大变异性。各站增水范围为：陆昌港0.20–0.85米、岱山0.16–0.79米、中均0.12–0.99米。增水超过0.5米的概率在各站分别达到79%、55%和70%。该框架提高了长江口风险驱动型增水预报能力。

**引言**

风暴增水是全球最严重的海洋灾害之一，造成了绝大多数由强风暴引发的主要沿海损害（Barbot等人，2024；Yang等人，2025）。长江口地形复杂，对此类事件尤为敏感。当台风引发的风暴增水与天文大潮叠加时，水位会显著抬升，导致海水入侵、突发性洪涝以及基础设施和沿海社区的损坏。

风暴增水通常利用由台风数据驱动的数值模型进行模拟，数值模拟已成为风暴增水研究的关键手段（Huang等人，2008；Mulligan等人，2023；Zhang和Zhang，2024）。随着计算技术的进步，风暴增水模型日益成熟。常用数值模型包括ADCIRC、SWAN、FVCOM、SLOSH和MIKE21（Gao等人，2019；Li等人，2021；Ying等人，2022；Yin等人，2019）。其中，ADCIRC模型因空间分辨率灵活、数值精度高，且能够纳入风场和气压场等多种边界条件而得到广泛应用。以往研究已证明其在风暴增水模拟中的有效性。例如，Sebastian等人（2024）使用ADCIRC和ADCIRC+SWAN评估了气旋胡杜德期间不同的气象强迫方法，而Yin等人（2017）则利用耦合模型研究了海平面上升（SLR）和潮汐影响（TI）对珠江口风暴增水和波浪的影响。这些研究表明，ADCIRC模型已成为风暴增水模拟中成熟且可靠的工具。

风暴增水预报通常依赖数值模型和数据驱动方法。基于过程的水动力模型由气象场驱动，被广泛用于模拟风暴增水，并生成可与潮位计观测数据进行验证的后验数据集（Kristensen等人，2024）。近年来，机器学习方法也被引入以提高预报效率和准确性（López等人，2025）。神经网络，包括卷积神经网络（CNN），能够学习风暴增水的复杂时空模式，而残差学习技术则被应用于校正业务预报中的误差（Xie等人，2023；Tedesco等人，2024）。然而，风暴增水预报仍存在较大不确定性（Ferreira等人，2014；Warder等人，2021；Qian等人，2024）。关键因素中，气象强迫——尤其是风场和台风路径——在决定增水幅度和时间方面发挥着关键作用（Fernández-Montblanc等人，2019；Yin等人，2021；Wu等人，2025；Zhuge等人，2025）。因此，研究台风路径不确定性对长江口风暴增水的影响具有重要的理论和实际意义（Xu和Huang，2011；Yin等人，2018；Liu等人，2024）。准确的风暴增水预报需要可靠的台风路径和强度预测，因为气象强迫中的误差会在增水模拟中传播和放大。本研究首先预测台风路径，然后将其纳入风暴增水模型进行预报。以往研究已探索将先进预测技术与沿海灾害建模相结合。例如，Altunkaynak和Wang（2011）在沿海建模中应用了人工智能方法，而An等人（2018）强调了可靠来源表征对灾害预测的重要性。随着机器学习的快速发展，数据驱动方法已被广泛用于台风预报。深度学习框架显著提高了路径预测精度（Xu，2020a），随机森林和循环神经网络等机器学习模型在预测风暴增水和热带气旋路径方面表现良好（Zhu等人，2021；Wenjing等人，2024）。最近，先进的深度学习模型，包括基于自注意力的Bi-LSTM和代理建模框架，进一步提高了预测精度和计算效率（Lu等人，2025；Naeini等人，2025）。这些进展表明，基于神经网络的台风路径预测在短中期预报中日益成熟有效。

尽管已有众多研究探讨了利用神经网络和其他数据驱动方法进行台风路径预测及后续风暴增水预报，但大多数工作依赖于单一确定性路径来驱动增水模型（Yin, Xu和Huang，2018；Tan等人，2023；Wu, Shi, Liang, Pan, Wu, Wang和Zhang，2025）。这种对单一路径预测的依赖不仅限制了风暴增水预报的准确性，也削弱了预警系统和应急响应策略的有效性。同时，一项综合风暴增水建模与交通分析研究表明，飓风路径的不确定性使得难以预测适当的增水淹没区域用于疏散（Huang等人，2021）。这表明台风路径的不确定性也可能导致灾害影响评估不准确，造成过度疏散和资源浪费。此外，通过高分辨率中尺度气象预报（WRF/HWRF）与动力增水模型耦合，Mohanty等人（2024）表明可以在3–4天提前期获得可靠的风暴增水预测，凸显了准确的路径和强度预报在延长增水灾害预警能力方面的关键作用。因此，亟待解决的关键问题是：如何在开发风暴增水预报系统时合理处理台风路径不确定性，从而提供全面可靠的风暴增水预测，同时准确缩小估计的影响区域。

以往研究通过使用气象模型、集合气象预报或预设气旋扰动来生成多种风场和气压强迫情景进行增水模拟，推动了集合和概率风暴增水预报的进步（Higaki和Tajima，2020）。与此同时，数据驱动和基于深度学习的方法也被开发出来以提高风暴增水预报效率并支持快速概率灾害评估（Su和Mao，2026）。这些研究为表征预报不确定性和加速风暴增水模拟提供了有价值工具。然而，许多现有方法要么依赖外部生成的气象集合，要么主要关注增水水位的概率预测，而台风路径预测不确定性与风暴增水响应之间的明确关联仍有待深入探索。特别是，不同空间位置上台风路径不确定性如何改变气压和风速场，以及这些变化如何影响最大风暴增水的空间再分布和幅度，尚未得到充分关注。

为弥补这一不足，本研究开发了一个集成的概率风暴增水预报框架，明确将台风路径位置不确定性与长江口风暴增水响应联系起来。首先，本研究不仅使用单一确定性台风路径，还考虑台风路径预测的不确定性，生成概率加权的增水模拟路径情景，从而对增水范围和超过概率进行量化。其次，本研究结合人工神经网络预测和Guo等人（2021）提出的概率圈理论。与以往依赖多源业务预报或外部预报数据集定义参考路径的概率圈理论应用不同，本框架直接使用ANN预测参考台风路径，然后围绕其构建代表性扰动路径，为将路径预测不确定性传播至风暴增水模拟提供了一种更直接和及时的方法。第三，本研究从不同台风路径位置的角度进一步研究风暴增水变异性。通过分析路径位置变化如何改变相关的气压和风速场，揭示了控制长江口风暴增水空间分布和幅度的物理机制。

本文使用人工神经网络预测米塔格台风登陆前48小时的单一路径。根据概率圈理论生成不同扰动路径，并基于该预测结果建立一组台风路径。最后，对组内每条路径进行风暴增水模拟，建立一种概率风暴增水灾害评估框架，明确将台风路径不确定性传播至沿海灾害管理相关的增水风险指标中。该框架不仅考虑了风暴增水预报的不确定性，提高了结果的可靠性和全面性，还在一定程度上准确界定了台风路径的移动范围，减少了过度防御导致的资源浪费。本文结构如下：第2节介绍研究区域和研究数据；第3节介绍所采用的模型理论、模型构建和验证；第4节描述台风路径组的建立；第5节对最终风暴增水预报结果进行深入分析。

**各节摘要**

**研究区域描述与统计台风**

长江口不仅是世界最大的冲积河流河口之一，还在航运方面对中国具有重要的经济意义。Lu等人（2015）发现，长江口呈现出复杂的潮汐动力学特征，包括强烈的耗散、非线性以及潮流主导。由于其特殊的地理位置，长江口每年都会不可避免地遭受多次台风及相关风暴增水的影响（Yin等人，2021；Xia等人，2022）。

**ADCIRC模型**

ADCIRC模型（Luettich Jr和Westerink，1991）由北卡罗来纳大学海洋科学研究所的Luettich和圣母大学G的Westerink联合开发。它是一个用于海洋、海岸和河口等多尺度区域水动力计算的数学模型。该模型能够模拟二维和三维随时间变化的自由面环流和输运过程。目前，ADCIRC是……

**概率圈理论**

概率圈理论由Guo, An, Qiu, Li, Li, Ge和Ding（2021）提出，基于中国气象局（CMA）、香港天文台（HKO）、台湾中央气象局（CWB）、美国联合台风警报中心（JTWC）、日本气象厅（JMA）和韩国气象厅（KMA）六大预报中心的预报数据——郭云文构建了预报时效为……

**长江口风暴增水概率**

本研究对前述部分获得的两阶段台风路径集合进行风暴增水模拟，覆盖目标时间前后24小时。每个集合包含一条预测路径（人工神经网络预测的路径）和基于概率圈生成的八条扰动路径。对所有九条台风路径进行了风暴增水模拟，并获得了相应的增水结果。九条风暴增水时间序列为……

**结论**

本研究提出了一个集成的概率风暴增水预报框架，用于应对长江口这一因复杂地形和人口密集而极易遭受台风引发沿海洪水的地区。利用1990–2022年台风数据训练的 人工神经网络预测台风中心位置和气压的24小时演变，并基于概率圈理论生成台风路径集合。随后对每条路径进行……

**作者贡献**

石建安负责研究概念化、方法开发以及初稿撰写。许苏东负责研究指导，对研究设计提供关键指导，并对手稿进行审阅和修改。尹凯参与数据处理、数值模拟和结果分析。马梦迪协助模型实现、数据可视化和结果解读。谭伟凯贡献于模拟验证……

**作者声明**

石建安：概念化、方法学、正式分析、撰写—初稿。
许苏东：指导、概念化、项目管理、撰写—审阅与编辑。
尹凯：数据管理、软件、调查、正式分析。
马梦迪：软件、可视化、正式分析、撰写—审阅与编辑。
谭伟凯：验证、正式分析、调查。
吴诗霜：调查、数据管理、正式分析。
黄文瑞：正式分析、撰写—审阅与编辑。

**CRediT作者贡献声明**

石建安：撰写—审阅与编辑、撰写—初稿、可视化、软件、方法学、调查、正式分析、数据管理、概念化。
许苏东：撰写—审阅与编辑、指导、资源、经费获取、概念化。
尹凯：撰写—审阅与编辑、可视化、指导、经费获取、概念化。
马梦迪：撰写—审阅与编辑、指导、概念化。

谭伟凯：撰写——审阅与编辑

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。

致谢

作者感谢中国国家重点研发计划[项目编号：2023YFB2603803]和中国国家自然科学基金[资助编号：52271226、52471274]。

石建安 | 徐苏东 | 尹凯 | 马梦迪 | 谭伟凯 | 吴双生 | 黄文瑞