捕捉台风引发的因果关系：一种用于可解释风暴潮预报的动态图卷积网络方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Capturing Typhoon?Driven Causality: A Dynamic Graph Convolutional Network Approach to Interpretable Storm Surge Forecasting

　　摘要：风暴潮是一种严重的海洋灾害，因此准确的预报至关重要。现有的数值模型计算成本高昂，而深度学习方法则缺乏因果推理能力和可解释性。本研究的核心挑战在于如何让模型在台风动态变化的情况下，适应性地学习各监测站之间随时间变化的因果关系，同时满足物理传播规律。为解决这一问题，本研究提出了一种动态图卷积网络（DGCN），该网络能够有效提取风场和各站水位特征。其核心创新在于动态图结构学习模块，该模块将风暴潮的物理传播规律与台风的动态演变相结合，从而能够在不同台风条件下实现自适应的因果推断。实验表明，与静态图结构相比，DGCN在72小时预报中，均方根误差和最大误差分别降低了14.4%和37.9%，有效提升了峰值预测的准确性并减少了时间滞后。所学习的动态节点关联与实际台风路径及风暴潮的物理传播过程高度吻合，体现了模型的因果推断能力，同时也增强了模型的可信度和可解释性。本研究为将物理机制与深度学习相结合以提高预报可靠性奠定了基础。

引言：热带气旋登陆引发的风暴潮是沿海地区造成人员伤亡和财产损失的主要海洋灾害之一[1,2]。在全球变暖的背景下，台风活动的频率和强度呈上升趋势[3]。开发具有高计算效率和预测精度的风暴潮预报方法，对于量化灾害风险、及时发出预警以及制定科学的防灾减灾策略具有重要意义[4]。尽管传统的数值模型（如ADCIRC、FVCOM）能够高精度地求解流体动力学方程，但其极高的计算成本使其无法用于实时预报。深度学习方法虽然计算效率高，但仍存在两大局限：首先，它们缺乏因果推理能力，主要只能捕捉相关性而非因果关系，因此在极端事件下的稳定性较差；其次，它们的“黑箱”特性使得其在实际应用中的可信度较低。因此，那些仅依赖数据拟合的模型难以准确捕捉风暴潮的动态演变，尤其是峰值误差仍难以有效降低[5]。

多站点协同预报是提高水位预测精度的重要手段。它通过各站点之间的信息交换来相互校验观测数据，从而提升整体预报性能[6]。除了上述普遍问题外，多站点协同预报还面临两个核心挑战。首先，风暴潮的空间传播遵循物理规律（通常是从近海向岸边传播），但具体的传播路径和时间滞后会随着台风路径、风场以及当地地形的变化而动态变化。如何构建高效且准确的站点间信息传递机制仍是一个未解决的问题。其次，站点间的因果关系本质上是具有方向性的：上游站点会影响下游站点，反之则不一定成立。目前大多数深度学习方法将站点间的关系视为无方向且对称的，无法区分传播方向，从而导致与物理事实不符的预报结果。

图神经网络（GNNs）为明确建模变量间的依赖关系提供了理想框架，它将各个监测点视为节点，将它们之间的关联视为边[7]。然而，目前GNN在风暴潮预报中的应用大多采用静态图结构[8]，即预先设定固定的上下游关系，这种结构无法适应台风路径的变化，也无法区分风暴潮传播的方向性。为应对这些挑战，本研究旨在构建一种动态图卷积网络（DGCN），该网络能够自适应地学习多站点协同风暴潮预报中随时间变化且具有方向性的站点间关系。该模型将气象场数据与站点水位数据相结合，利用图卷积网络生成多站点预报结果。其核心创新在于动态图结构学习模块，该模块摒弃了预定义的静态图结构，而是根据台风路径和风场等动态输入，自适应地推断出站点间随时间变化的定向因果依赖关系。

本文其余部分的结构如下：第2节回顾相关研究；第3节介绍研究区域和数据来源；第4节详细阐述方法论和模型架构；第5节描述实验设置并分析结果；第6节讨论研究结论；第7节对全文进行总结。

相关研究：目前，已有诸如ADCIRC（高级环流模型）、MIKE系列模型以及FVCOM（有限体积群落海洋模型）等一系列成熟的数值模型，能够通过求解流体动力学控制方程，准确再现台风作用下的风暴潮动态过程[9]。这些数值模型被广泛用于模拟历史上的风暴潮事件，以此分析其特征并评估相关灾害风险[[10], [11], [12]]。此外，

研究区域与数据：本节主要介绍本研究使用的数据。大气强迫场数据来自ERA5再分析数据集（欧洲中期天气预报中心提供），该数据集以0.25°的空间分辨率提供每小时的风速和海平面气压数据。而高质量的风暴潮观测数据极为稀缺，往往存在记录不连续或空间覆盖不全的问题。为解决这一问题，本研究采用了基于物理原理的数值模型来重建历史上的风暴潮事件。

方法论：本节阐述了本研究建立的多站点台风风暴潮预报方案。首先，确定该模型的输入包括过去各时间步长下各站点的历史水位数据，以及从过去到未来的风场和气压场数据，输出则为未来各时间步长下各站点的风暴潮水位预报值。此外，还使用了历史风暴潮数据和天文潮汐数据作为参考。

评估指标：为评估预报精度，本研究采用了均方根误差（RMSE）、平均绝对误差（MAE）以及皮尔逊相关系数（PCC），这些指标都是通过将预测得到的风暴潮序列（包括正涌和负涌）与参考值（真实值）进行对比计算得出的。这些指标的定义如下：
RMSE=1/n∑i=1n(ξ?ξ^)2
MAE=1/n∑i=1n|ξ?ξ^|
PCC=∑(ξi?ξ￣)(ξ^i?ξ^￣)∑(ξi?ξ￣)2∑(ξ^i?ξ^￣)2
其中，ξ表示真实的风暴潮水位值（来自GPU-IOCASM数值模型）。

提升峰值预测精度与时间误差的机制：所提出的DGCN在峰值风暴潮高度和时间误差方面显著优于所有基准模型（例如，在72小时预报中，相比静态图模型，其峰值误差降低了37.9%，时间误差降低了35.1%）。这一优异表现并非源于作为基础特征提取器的UNet–LSTM架构，而是得益于动态图结构通过三个关键设计元素能够有效地模拟风暴潮的传播时间滞后。首先，时间延迟参数τ是一种因果边界，而非简单的截断处理。

结论：本研究解决了由台风动态路径引发的站点间随时间变化的因果关系这一传统静态图结构无法处理的难题。本研究提出了动态图卷积网络（DGCN），该网络通过UNet提取多尺度风场特征，利用LSTM模型处理时间依赖性，同时通过动态图结构学习模块自适应地推断出具有方向性的、随时间变化的因果依赖关系。通过对多个台风案例的系统性实验，验证了该模型的有效性。

未引用参考文献：[40]

CRediT作者贡献说明：
朱志成：撰写——初稿、软件开发、方法论、研究实施、形式分析、数据整理、概念构思。王志峰：撰写——审阅与编辑、模型验证、资源获取、方法论、概念构思。董昌明：资源获取、研究实施、资金筹集。冯兴如：资源获取、形式分析、数据整理。
朱志成|王志峰|董昌明|冯兴如