基于混合自适应邻接矩阵的深度学习模型在台风期间的多站点水位预测

《Ocean Engineering》：Multi-station water level prediction during typhoon periods using deep learning model based on hybrid adaptive adjacency matrix

　　•为多台站台风引发的潮位预测，提出了一种混合自适应矩阵型扩散卷积循环神经网络（HAM-DCRNN）。该模型将多源静态先验与动态注意力机制相结合，以捕捉台风期间变化的空间依赖关系。在多项评估指标中，HAM-DCRNN模型的预测精度均高于四种常用模型。

引言
在全球气候变暖的背景下，台风的强度和频率不断上升，导致沿海地区遭受风暴潮侵袭的风险日益增加（Knutson等人，2010年）。在台风期间准确预测沿海水位对于构建早期预警系统、制定沿海工程防护措施以及辅助应急决策具有至关重要的意义（Dullaart等人，2021年；Zhou等人，2024年）。水位是天文潮与风暴潮之间非线性耦合的体现，其变化不仅受风场、大气压力和降水量等气象与海洋因素的共同影响，不同区域之间还存在显著的空间相关性（Li等人，2025年；Zhuge等人，2024年）。因此，开发能够整合多源信息并适应动态变化的预测模型，对于提升沿海地区的预警能力至关重要。

目前，台风期间的水位预测主要依赖于数值模拟模型。Kramer和Arias（2025年）通过结合Delft3D-FM与波浪模型的高分辨率耦合模拟，成功再现并量化了飓风“伊恩”期间沿海湿地的风暴潮减弱效应。尽管这些基于物理原理的模型能够全面反映复杂过程，但它们对高分辨率地形数据的依赖以及庞大的计算资源需求仍是一大挑战。此外，参数化方案中的固有不确定性也可能在极端天气事件中引入系统性偏差（Hinkel等人，2021年）。由于计算成本高昂且运行时间较长，传统数值模型难以满足紧急情况下实时预警系统的时效性要求（Leijnse等人，2021年）。

近年来，机器学习的进步使得通过历史数据建模非线性模式来预测水位成为可能，从而突破了传统数值模型对经验参数的依赖（Qin等人，2023年）。尤其是在短期高精度预测方面，深度学习模型表现更为出色。Xie等人（2023年）基于卷积神经网络开发了一种风暴潮预测模型，该模型以序列化的风场和气压场作为输入，可直接预测珠江口的水位，其6–24小时的预测精度优于数值模型。为考虑气象扰动的影响，Sun等人（2024年）将实时风参数和历史残差水位纳入混合框架，提升了模型在台风条件下的稳健性和泛化能力。Shahabi和Tahvildari（2024年）进一步将CNN与长短期记忆网络相结合，构建端到端模型，借助网格化风数据实现快速的区域水位模拟及沿海水位的时空预测。尽管取得了这些进展，现有模型仍忽视了各水位监测站之间的空间依赖关系，这限制了其对多台站协同水位变化的精准捕捉。

为模拟多台站之间的空间依赖关系，图神经网络被引入到时空预测框架中。该方法利用邻接矩阵表示各站点间的拓扑关系，为水位预测提供了新的方法（Zhang等人，2023年）。为应对极端天气事件中的快速水位波动，Han等人（2025年）在建模多尺度时间趋势的同时，融入对抗训练机制，以提高模型在极端条件下的预测稳健性。此外，动态注意力图循环网络通过图注意力机制动态更新台风期间的台站间依赖关系，克服了静态拓扑结构的局限性，使空间依赖建模具备时间感知能力和适应性（Huang等人，2026年）。

尽管有了这些应用，GNN的性能仍受到底层网络拓扑质量与适用性的制约，这凸显出持续创新图结构以有效捕捉复杂数据关系的必要性（Khemani等人，2024年）。在水位预测领域，Shi等人（2024年）率先进行了拓扑优化研究，他们分析了水位监测站网络拓扑对预测性能的直接影响，并通过直接调整邻接矩阵的边权重和连通性，增强了图卷积循环网络的能力。在沿海应用之外，图结构创新在并行时空任务中也取得了显著成果。例如，Gan等人（2025年）提出了一种动态时空图卷积网络，用于多台站风速预测，证明了动态定制的图结构能够显著提升模型捕捉非线性和时变空间交互的能力。这些进展表明，超越固定或纯粹经验性的图设计，转向能够灵活适应复杂物理和统计变化的自适应结构学习具有明显优势。

然而，现有的水位预测方法仍存在局限，要么依赖固定的静态拓扑，要么侧重于纯数据驱动的学习，往往忽略了站点间的固有物理机制和空间约束。因此，目前仍缺乏一种能够自适应平衡预定义空间先验与动态变化依赖关系的统一框架。为填补这一空白，有效捕捉台风期间的复杂时变空间交互，本研究提出了一种混合自适应矩阵型扩散卷积循环神经网络（HAM-DCRNN）。该框架通过整合多源先验知识与动态图学习机制，在统一的时空架构内自适应地建模台站间不断变化的依赖关系。利用日本东海地区7个水位监测站的观测数据，将该模型在台风场景下与主流模型进行对比测试，结果表明HAM-DCRNN更能捕捉台风期间的复杂时空动态，显著提升了沿海水位预测的精度。

章节节选
站点网络图G
水位监测站网络被建模为图G=(V,E)，其中顶点集V={V1,V2,...,VN}中的每个节点对应一个监测站，N表示该区域内监测站的总数。边E代表站点间潜在的水动力相互作用，这些相互作用通过邻接矩阵A∈RN×N进行定量描述。在该矩阵中，若Aij=1则表示站点i和j之间存在直接影响，而Aij=0则表示两者无直接交互。

特征张量X

模型性能
为全面评估所提出的HAM-DCRNN的预测性能，选择了五种具有代表性的基线模型进行对比：传统的时序网络（LSTM和GRU）、固定图结构的时空模型（STGCN和Cheb-GRU），以及经典的DCRNN。这些模型涵盖了传统的顺序学习方法与最先进的GNN技术，构成了一个可靠的基准测试框架。其中，DCRNN与HAM-DCRNN拥有相同的时空序列编码核心结构。

结论
本研究提出了一种混合自适应矩阵型扩散卷积循环神经网络（HAM-DCRNN），用于多台站的水位多步预测。该模型首先根据站点间的地理距离、历史水位时间序列的DTW距离以及皮尔逊相关系数，构建三种类型的静态先验图，分别代表地理邻近性、时间形态相似性等因素。

讨论
HAM-DCRNN通过整合多源先验知识与动态自适应学习机制，显著提升了捕捉极端台风事件中水位非稳态特性的能力。通过平衡具有物理意义的静态约束与实时变化的台站依赖关系，该模型相比传统主流方法，为区域水位预测提供了更精确的手段。虽然这些进展弥补了区域水位预测方面的不足……

作者贡献声明
黄张克：数据整理、项目管理、软件应用、可视化处理、初稿撰写、审稿与编辑。周庆：形式分析、项目管理、资源协调、监督指导。李丹桐：形式分析、方法设计、软件应用、模型验证。石贤武：概念构思、形式分析、方法设计、监督指导、可视化处理、初稿撰写、审稿与编辑。张瑶：形式分析、项目管理、监督指导、可视化处理。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了广州市综合海洋防灾系统建设——信息系统与支撑基础设施建设项目（CZ2024-1224）的资助。

黄张克|周庆|李丹桐|石贤武|张瑶|方健|高亮|王伟平