连云港当前时刻台风风暴潮估算:一种完全嵌套的事件分组评估

《Journal of Marine Science and Engineering》:Current-Time Typhoon-Induced Storm Surge Estimation at Lianyungang: A Fully Nested Event-Grouped Evaluation

【字体: 大 中 小 】 时间:2026年08月29日 来源:Journal of Marine Science and Engineering 3.2

编辑推荐:

  摘要翻译: 风暴潮当前时刻估算强烈受到近期水位状况的影响,而同一台风事件内样本间的时间依赖性可能使模型对未见事件的泛化能力评估变得复杂。本研究利用2002—2024年间28次台风事件的2168个样本,评估了连云港潮位站的风暴潮估算。采用集成历史风暴潮和物理机制

  
摘要翻译:
风暴潮当前时刻估算强烈受到近期水位状况的影响,而同一台风事件内样本间的时间依赖性可能使模型对未见事件的泛化能力评估变得复杂。本研究利用2002—2024年间28次台风事件的2168个样本,评估了连云港潮位站的风暴潮估算。采用集成历史风暴潮和物理机制信息的41特征极端梯度提升(XGBoost)模型,在完全嵌套的事件分组交叉验证框架下进行评估,其中完整的外层测试台风事件被排除在超参数优化、早停和模型拟合之外。41特征XGBoost模型实现了平均绝对误差(MAE)为0.083 m,均方根误差(RMSE)为0.128 m,决定系数(R2)为0.794。在共同有效样本子集上,其RMSE比持续性(Persistence)方法低9.15%,并且在28次独立留出台风事件中的18次中取得了更低的单事件RMSE。受控信息源实验表明,历史风暴潮信息贡献了大部分总体预测技能,而添加核心风暴状态变量和完整的物理机制描述符仅使整体性能产生有限变化。相对于Persistence的改善在最短可用历史风暴潮滞后为3–6 h的样本中大于滞后为1 h的样本,但这种优势并未持续扩展到最高风暴潮条件,在最高风暴潮条件下仍存在系统性低估。这些结果表明,事件独立验证对于评估机器学习风暴潮估算的重要性,并显示模型技能强烈依赖于信息可用性和风暴潮幅值。该框架应被解释为一种回顾性的单站当前时刻估算方法,而非业务化预报或极端风暴潮预警系统。
论文解读:基于完全嵌套事件分组评估的连云港当前时刻台风风暴潮估算

一、研究背景与问题

风暴潮是由强热带气旋等气象扰动引起的沿海水位异常现象,常伴随极端大风、巨浪和沿海洪水,是人口密集沿海区域最具破坏性的海洋灾害之一。中国江苏海岸位于黄海西部,拥有广阔的潮滩和显著的潮汐变化,台风路径、登陆位置、移动方向、风压场与潮汐背景的相互作用对该区域风暴潮响应具有重要影响。海州湾沿岸的连云港潮位站提供了长期水位观测资料,其风暴潮响应反映了水位状态和台风强迫的共同作用,因此开展该站点的当前时刻风暴潮估算对海岸监测和水位状况解读具有重要意义。

尽管物理数值模型仍是风暴潮模拟和预报的基础工具,但数据驱动方法通过直接从历史观测和强迫信息中学习统计关系,正日益受到关注。当前时刻风暴潮估算面临两个特殊的方法论问题:其一,近期水位信息因相邻观测的强时间连续性而具有显著预测能力,持续性方法、滞后水位变量和自回归方法被广泛用于短期水位预测,但台风状态变量(如最大风速、中心气压、风暴位置、距风暴中心距离和天文潮)的增量预测价值需与模型调参差异区分评估;其二,同一台风事件内的样本在时间上相关且共享相似的台风状态和环境条件,若将同一事件的个体样本随机分配到训练集和测试集,可能导致信息泄漏和对未知事件泛化能力的乐观估计。尽管江苏沿海已有机器学习风暴潮预测研究,但连云港独立事件的当前时刻风暴潮估算以及近期风暴潮历史与台风相关信息的相对贡献尚未被系统评估。

二、研究内容与主要技术方法

本研究利用2002—2024年间影响连云港的28次台风事件的2168个有效样本,构建了一个包含41个输入变量的信息集,涵盖历史风暴潮记忆(13个变量)、当前物理强迫与状态信息(9个变量)、物理强迫演变(15个变量)和方向耦合描述符(4个变量)。采用极端梯度提升(XGBoost)作为非线性回归算法,在完全嵌套的事件分组交叉验证框架下进行模型评估。该框架在外层将28次台风事件按峰值风暴潮分层分为5折,完整的外层测试台风事件在超参数优化、早停和模型拟合之前被完全排除;外层训练事件内部再采用四折事件分组交叉验证,使用Optuna优化80组超参数配置,内层优化目标为事件宏均方根误差。最终五个外层测试折的预测共同构成全部2168个样本的完全嵌套折外预测。基线模型包括Persistence(采用最短可用历史风暴潮滞后)、线性回归、支持向量回归和随机森林。通过三个受控XGBoost配置(仅历史信息、历史+核心风暴状态、完整41特征)量化不同信息源的增量预测价值,并开展高风暴潮、事件峰值、滞后可用性和天文潮背景等条件诊断分析。样本数据来自江苏省水文水资源勘测局连云港分局提供的实测水位和天文潮表,台风路径和强度信息主要来自IBTrACS V04r01归档资料。

三、研究结果

3.1 完全嵌套事件分组验证下的总体性能

在完全嵌套评估下,41特征XGBoost模型在全部2168个样本上实现了MAE 0.083 m、RMSE 0.128 m、R2 0.794、相关系数0.892、平均偏差0.001 m。事件宏MAE和RMSE分别为0.109 m和0.149 m,事件宏偏差为?0.015 m,表明各台风事件间性能存在差异,样本量较少的事件可能具有较大误差。五个外层折的RMSE范围在0.106至0.143 m之间,R2在0.758至0.795之间。

3.2 与Persistence及次级基线模型的事件独立比较

在2162个共同有效样本上,XGBoost的RMSE比Persistence降低9.15%(0.128 m对0.141 m),MAE降低4.98%(0.083 m对0.087 m)。在28次独立留出事件中,XGBoost在18次(64.3%)事件中RMSE低于Persistence。事件宏RMSE分别为0.149 m和0.166 m,平均配对事件RMSE差异为?0.018 m,95%自助法置信区间为?0.037至?0.001 m。次级机器学习模型中,随机森林的池化RMSE(0.127 m)和事件宏RMSE(0.148 m)与XGBoost接近,线性回归和SVR误差较大,表明不存在单一算法在所有事件上一致占优。

3.3 不同信息源的增量价值

受控实验显示,仅使用13个历史风暴潮记忆变量的模型A池化RMSE为0.127 m;加入四个核心风暴状态变量后的模型B为0.128 m;完整41特征模型C仍为0.128 m。事件宏RMSE分别为0.1495、0.1497和0.1491 m。添加核心风暴状态变量使池化RMSE仅变化?0.79%,扩展至完整41特征仅变化?0.48%。这表明历史风暴潮信息贡献了绝大部分总体预测技能,额外台风状态和物理机制描述符的聚合增量价值有限。

3.4 不同历史风暴潮滞后可用性条件下的性能

当最短可用历史滞后为1 h时,XGBoost和Persistence的RMSE分别为0.108 m和0.110 m,改善仅1.68%。当最短滞后为3 h时,二者RMSE分别为0.173 m和0.208 m,改善达16.64%;最短滞后为6 h时,RMSE分别为0.210 m和0.250 m,改善16.04%。MAE呈现类似模式,表明在Persistence基准依赖更远时间滞后时,机器学习整合多个历史状态、趋势和统计量的优势更加明显。

3.5 高风暴潮和事件峰值性能

随着观测风暴潮阈值升高,XGBoost误差和负偏差显著增大。对于P80、P90和P95子集,RMSE从0.186 m增至0.284 m,偏差从?0.083 m降至?0.184 m,低估比例从72.1%升至88.4%。在≥1.0 m子集中(30个样本),RMSE达0.450 m,偏差为?0.366 m,96.7%的估计低于观测。XGBoost在P80、P90和≥0.5 m子集上RMSE低于Persistence,而在P95和≥0.8、≥1.0 m子集上高于Persistence。事件峰值分析表明,模型在观测峰值时刻的平均绝对误差为0.274 m,28次事件中有25次低估了该时刻的风暴潮;事件最大幅值的平均符号误差为?0.140 m,19次事件预测峰值低于观测峰值;绝对峰值时间误差中位数为1.5 h,均值为11.9 h。

3.6 不同天文潮位背景下的性能

按天文潮位三分组后,低、中、高天文潮位组的RMSE分别为0.116、0.129和0.139 m,MAE分别为0.077、0.082和0.091 m,偏差分别为0.004、?0.001和0.001 m。误差幅度随天文潮位增高而增大,但平均偏差未呈现系统性偏移,说明高风暴潮负偏差不能仅归因于天文潮位背景。

四、讨论与结论

本研究的核心价值在于采用与数据事件结构匹配的验证设计评估机器学习当前时刻风暴潮估算。完全嵌套事件分组框架将完整外测事件排除在拟合、早停和超参数优化之外,避免了信息泄漏,为模型对未见台风事件的泛化能力提供了严格检验。受控信息源实验表明历史风暴潮记忆主导聚合预测技能,而台风状态和物理机制描述符的增量贡献有限,这并非否认风场、气压、台风位置和天文潮的物理重要性,而是说明在提供历史风暴潮记忆后,这些特定预测因子仅能提供有限的额外统计信息。模型应被理解为当前时刻估算框架,而非业务化预报或极端风暴潮预警系统。局限性包括仅使用单一潮位站和28次台风事件、高风暴潮样本数量少、缺乏局地风场和海浪信息等。未来应扩充台风事件和潮位站数量、增加极端风暴潮样本,并引入更直接的局地大气、波浪和近岸水动力信息以进一步评估事件独立性能和峰值估算能力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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