基于物理信息动态图注意力网络的渤海与黄海北部波浪-潮流系统预测

《Ocean Engineering》：Prediction of the Bohai Sea and northern Yellow Sea wave-current system based on physics-informed dynamic graph attention network

　　

•PID-GAT 实现了渤海和黄海北部海域的快速联合海洋预测。
•动态图注意力机制利用高程梯度、距离、水深和风。
•残差融合在添加空间校正的同时保留了时间上下文。

引言
波浪和潮流是描述海洋环境和驱动沿海地貌演变的关键物理因素。准确预测这些因素对于确保各种海洋活动的安全高效进行至关重要（De Girolamo 等，2017；Gao 等，2025；Kourafalou 等，2015；Turner 等，2024），特别是在中国的渤海及邻近的黄海北部，这里分布着天津港和大连港等众多港口，以及海上油气开发基地。目前波浪和潮流的主要预测方法是应用数值模型。例如，SWAN 模型由于其在近岸区域表现优异，被广泛用于波浪预测或回溯。Lv 等（2014）和 Zhang 等（2025）分别使用 SWAN 模型模拟了渤海的时间空间分布和极端波浪条件。Wang 等（2019）讨论了极端天气下 SWAN 模型的物理参数化方案，并优化了黄海台风波浪模拟的物理参数。对于潮汐系统的模拟，Zhu 等（2018）使用 MIKE 3 模型量化了土地围垦对渤海潮汐系统的影响。Ma 等（2024）使用 Delft3D 模型证实，渤海海峡作为渤海与黄海之间关键的水交换通道，具有高流速和大动能。值得注意的是，复杂波流相互作用在渤海和黄海北部起着重要作用，因此数值模型需要进行波浪与潮流的耦合模拟。Wang 等（2025）通过耦合 FVCOM-SWAN 模型证明，在极端天气下，波流相互作用对水位和流速产生显著的非线性贡献。

尽管数值模型具有清晰的物理机制，并经过广泛验证和应用（Cavaleri 等，2007；Fringer 等，2019），但对大规模区域进行高分辨率快速预测时，其高昂的计算成本和时效性要求仍然是一个问题（Tausía 等，2023）。因此，以深度学习为代表的数据驱动方法应运而生（Willard 等，2022），通过从历史数据中学习海洋动力学模式构建端到端的映射函数，为实现快速海洋预测提供了一条极具前景的新途径（Zang 等，2024）。早期的数据驱动海洋预测主要使用传统机器学习模型。例如，支持向量机和人工神经网络已成功应用于水位或波高预测，展示了数据驱动方法的可行性（Berbi? 等，2017；Sugito 等，2019）。然而，这些模型往往难以有效处理大规模数据中复杂的空间时间依赖性。

随着深度学习技术的发展，能够自动提取时空特征的复杂网络模型显示出显著优势。作为循环神经网络（RNN）的一种变体，长短期记忆网络（LSTM）因其能够有效捕捉长期时间依赖性，被广泛用于时间序列海洋预测任务（Tahir 等，2024）。Zhu 等（2026）使用 3D U-Net 提取区域风场和气压场的时空特征，结合 LSTM 网络捕捉时间演变模式，成功实现了渤海多个站点的高精度和长期风暴潮位预测。同样地，凭借其强大的空间特征提取能力，卷积神经网络在波浪场预测任务中取得了显著成功，不仅提高了计算效率，还保持了高预测精度（Bai 等，2022；J?rges 等，2023）。

尽管深度学习模型在精度和效率方面表现优异，但其物理可解释性弱的问题仍然存在，导致模型预测结果的可信度降低（Reichstein 等，2019）。因此，如何将物理机制整合到深度学习模型中，开发高效、准确且具有良好的物理可解释性的海洋预测模型，已成为一项前沿挑战（Ehlers 等，2025；Sunil 等，2025）。

为了提高传统深度学习模型的物理可解释性，研究人员转向图神经网络（GNN）。GNN 天然适合处理非欧几里得空间数据，它可以直接将模型计算节点映射到物理空间网格节点上，然后将节点之间的连接关系定义为物理邻接关系（Chen 等，2021；Pan 等，2023）。这使得 GNN 能够以更直观的物理方式学习空间依赖性，在模型可解释性方面显示出显著潜力（Shi 等，2022；Wu 等，2021）。在各种 GNN 架构中，图注意力网络（GAT）由于其动态注意力机制的强大功能，已被应用于天气预报领域（Lam 等，2023），这使得模型能够动态地为每个邻居节点分配自适应权重，从而捕捉更复杂的空间相关性（Veli?kovi? 等，2018）。然而，从传统数值模型的角度来看，海洋预测本质上是一个时空耦合问题，海洋系统中给定位置的未来状态不仅取决于其过去的时间状态，还取决于通过平流和扩散等物理过程与相邻区域的实时相互作用（Shchepetkin 和 McWilliams，2005；Warner 等，2008）。因此，数据驱动的海洋预测模型也应该能够同时捕捉时空特征。虽然纯空间模型可以有效处理空间编码，但它们缺乏捕捉长期时间依赖性的能力（Capone 等，2025）。因此，已提出时间预测模型与空间预测模型的组合（Kim 等，2023；Yin 等，2024），尽管设计确保物理一致性的有效时空信息模型架构仍然是一个极具挑战性的主题。

因此，为了解决传统深度学习模型物理可解释性不足和时空动态表征欠缺的问题，本文提出了一种新的物理信息动态图注意力网络（PID-GAT）模型，用于预测渤海和黄海北部的复杂海洋动力学环境。PID-GAT 模型被设计为一个下游预测模型，其核心任务是将气象和天文潮输入映射为海洋动力学响应输出。具体来说，该模型接收给定时间段内的气象变量和天文潮，并输出整个区域的预测波浪、潮流和水位变量。它被构建为一个分层时空架构，通过“先时间编码后空间融合”的方法解耦时间和空间学习，并使用混合残差架构来保证关键历史上下文信息的无损传输。该模型的突出特点是，为了提高物理一致性和可解释性，提出了一种物理信息动态注意力机制，明确将水流由气压梯度驱动的核心原理整合到图网络的空间传播中。

本文其余部分组织如下：第 2 节描述了本研究采用的方法论和模型框架细节。第 3 节描述了研究区域、数据来源以及数据集的验证。第 4 节详细呈现了模型结果。第 5 节讨论了 PID-GAT 与其他模型之间的预测精度比较。第 6 节得出结论。

章节片段
基准模型
PID-GAT 模型的构建基于两个核心深度学习组件：捕捉时间序列长期依赖关系的 GRU 模块和构建非欧几里得空间相关性的 GAT 模块。本节将简要介绍这两个基础模型的核心原理和数学表达式。

研究区域
渤海是一个平均水深小于 20 米的浅水内海，通过渤海海峡与较深的黄海北部进行水交换。受浅水地形、半封闭海盆形态和季风气候的影响，该区域主要以半日潮为主，且极易受极端天气影响。该区域位于典型的温带季风气候区，具有季风特征。夏季，从 5 月起盛行偏南风

结果
模型性能在两个互补的尺度上进行评估。与留出的 FVCOM-SWAN 测试场进行比较，以检查 PID-GAT 是否保留了完整计算网格上表示的耦合空间结构、时间演变和高能量响应。与 P1-P7 站点的独立观测值进行比较，进一步评估其在台风、强风和常规潮汐条件下，实测水位、潮流和波浪的站点尺度性能。

物理信息机制的验证
为了测试 PID-GAT 模型的架构设计，我们设计了一项消融实验和两项基准实验，以评估其各个组件的贡献。（1）PID-GAT-NP：这是一个消融实验配置，我们移除了物理模块，包括其指导水位计算和距离衰减计算功能。GAT 层中的边权重不再来源于水平水压梯度和距离衰减梯度。

结论
进行快速准确的波浪和水动力学预测对于近岸防灾减灾具有重要意义。在本研究中，我们专注于渤海和黄海北部，提出了一种具有物理信息机制的深度学习预测模型 PID-GAT。它旨在解决传统数值模型计算成本高昂，以及传统 [深度学习模型] 物理可解释性弱和时空动态表征不足的问题。

CRediT 作者贡献声明
孙方昭：撰写初稿、可视化、验证、软件、方法论、正式分析、概念化。刘广伟：撰写审阅与编辑、监督、软件、项目管理、调查、概念化。张庆和：撰写审阅与编辑。张金峰：撰写审阅与编辑。李伟怡：撰写审阅与编辑。

数据可用性
本研究中使用的原始训练数据源自 FVCOM-SWAN 耦合模型模拟。原始训练数据、模型代码和训练后的最优模型目前不公开提供，但可根据非商业学术研究和交流目的的合理请求，经许可和使用案例审查后，由通信作者提供。作者无权分享验证数据。

利益冲突声明
作者声明，他们没有已知的竞争财务利益或个人关系，这些可能影响本文报告的工作。

致谢
本研究得到国家重点研发计划（项目编号：2024YFB2605900）的支持。

孙方昭|刘广伟|张庆和|张金峰|李伟怡