基于贝叶斯优化的CNN-LSTM模型对潮河与河口极端高水位预测的分析
《Estuarine, Coastal and Shelf Science》:Analysis of extreme high tide level prediction in tidal rivers and estuaries using a Bayesian-optimized CNN-LSTM model
【字体:
大
中
小
】
时间:2026年07月26日
来源:Estuarine, Coastal and Shelf Science 2.6
编辑推荐:
摘要在河口地区准确预测潮位对于降低洪水风险和开展海岸工程至关重要。但由于极端事件数据稀缺以及河口复杂的潮汐动态,预测极端高潮位仍然具有挑战性。本研究构建了一种混合深度学习框架,通过结合基于贝叶斯优化的超参数调优方法与卷积神经网络和长短期记忆网络,用于极端高潮位预测。此外还运用SH
摘要
在河口地区准确预测潮位对于降低洪水风险和开展海岸工程至关重要。但由于极端事件数据稀缺以及河口复杂的潮汐动态,预测极端高潮位仍然具有挑战性。本研究构建了一种混合深度学习框架,通过结合基于贝叶斯优化的超参数调优方法与卷积神经网络和长短期记忆网络,用于极端高潮位预测。此外还运用SHAP可解释性分析方法来识别并量化各关键因素的贡献。该创新性的特征融合方法还引入了气象因子,如风力和降雨量数据,以考虑台风等极端事件期间潮位动态中的非平稳性,从而提升了极端高潮位(≥4米)预测的准确性。与随机森林、轻量级梯度提升机、极端梯度提升算法、支持向量回归以及传统LSTM模型相比,所提出的模型在均方根误差和平均相对误差方面表现更为优异。在预测极端高潮位时,其平均绝对误差仅为0.059,相比其他模型误差降低了60%。案例分析表明,该模型能够准确捕捉台风期间和非台风时期的极端高潮位及峰值出现时间,且预测精度会随着预警时间的增加而逐步提升。这一框架为潮位预测提供了可靠且具有可解释性的工具,有助于海岸工程设计和河口洪水控制。
章节节选
引言
准确预测极端高潮位对于降低河口及内陆潮汐河流区域的洪水风险及保障工程安全至关重要,它为综合洪水风险防范、河口水动力分析以及工程风险评估提供了重要支持(Mihel等人,2025年)。然而,这些地区的潮位变化受到河流径流、天文潮汐及其复杂相互作用的影响,呈现出明显的非线性和非平稳性,给预测工作带来了诸多困难。
研究区域与数据
长江口位于中国中东部沿海,属于能量较为充足的潮汐河口,其特点是河流径流量大且潮汐动力强劲。作为长江注入东海前的最后一段支流,黄浦江流经上海城区,是典型的受潮汐影响的河段。其水位既受上游径流影响,也受下游潮汐力作用。吴淞站位于
输入数据准备
采用杰森-香农距离和能量距离来比较训练集和测试集中潮位序列以及所有输入变量的分布情况。各变量的分布一致性较好,所有计算出的数值都低于0.1。其中,潮位序列的杰森-香农距离为0.031,能量距离为0.017,说明这两个数据子集的分布相似度较高。TR的分布则波动相对较大。
非台风期间的极端高潮位预测
通过统计极端高潮位Hext(≥4米)的出现次数,如图7所示,这类极端高潮位主要出现在5月至11月间,其中8月至10月的出现频率更高,且通常会持续6到10天。为了评估不同水动力条件下的模型性能,我们还将非台风期间的潮位变化情况与典型台风事件期间的情况进行对比。我们将极端天气事件定义为
讨论
本研究构建了一种基于贝叶斯优化的混合CNN-LSTM模型,用于小时级潮位预测,重点关注Hext的预测。该框架利用贝叶斯优化实现自动超参数调优,通过CNN提取多尺度的气象强迫模式,再借助LSTM捕捉潮位变化中的长期时间依赖关系。通过将空间特征提取、时间依赖性学习以及自动超参数优化整合到同一个框架中,
结论
本研究提出了基于贝叶斯优化的混合CNN-LSTM模型,并将其应用于长江口的吴淞站。该模型以每小时的气象因素和历史潮汐记录作为输入,能够准确预测极端高潮位。通过与五种基准模型(随机森林、带RBF核的支持向量回归、轻量级梯度提升机、XGBoost以及传统LSTM模型)的全面对比,证明了所提出的BO-CNN-LSTM模型具有更出色的预测性能和稳定性。
CRediT作者贡献说明
刘曙光:文章撰写——审阅与编辑、研究指导、资金获取、概念构思。周正正:文章撰写——审阅与编辑、模型验证、项目管理、数据整理。刘志辉:文章撰写——初稿撰写、结果可视化、软件应用、方法设计、实验分析、正式数据分析。王珏:文章撰写——审阅与编辑、模型验证、研究指导、资源协调
未引用参考文献
Bai和Xu,2021年;Granata和Di Nunno,2021年;Hrnjica和Bonacci,2019年;刘等人,2025年;Wolfs和Willems,2014年;杨等人,2020年。
利益冲突声明
作者声明不存在任何可能影响本文研究工作的已知利益冲突或个人关系。
资助情况
本研究得到了中国国家自然科学基金的资助(项目编号:42271031和42371030)。
利益冲突声明
? 作者声明不存在任何可能影响本文研究工作的已知利益冲突或个人关系。
致谢
本研究得到了中国国家自然科学基金的资助(项目编号:42271031和42371030)。
Zhihui Liu|Jue Wang|Shuguang Liu|Zhengzheng Zhou
中国上海同济大学土木工程学院
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号