摘要
风暴潮剩余量（Storm-surge residual）是海洋-海岸灾害中破坏性最强的因素之一，可靠的短期潮残量预测对于沿海防灾准备至关重要。传统的经验预测方法跨区域泛化能力有限，而高保真度的物理水文动力学模型（如 ADCIRC-SWAN）虽能完整再现风暴潮的物理过程，但计算资源需求巨大。本研究构建了一种用于风暴潮剩余量预测的三层反向传播神经网络（BPNN），其由经验证的 ADCIRC-SWAN 耦合水文动力学模型的输出数据集驱动。以风速、有效波高、海平面大气压以及模拟当前时刻的风暴潮剩余量作为输入预测因子。对模拟生成的样本数据先进行数据清洗与 Min-Max 归一化预处理，随后采用两种不同的数据集划分策略（基于随机网格点的划分与基于时间序列的划分）进行对比实验。经过超参数敏感性测试后，确定了隐藏层神经元数为 30 的最优网络配置。通过多站点时间序列对比和包括 R、NSE、RMSE 在内的通用统计指标对模型预测性能进行了定量评估。结果表明，在基于随机网格点的划分策略下，BPNN 取得了令人满意的表现；但在基于时间序列的时序外推情况下，模型性能明显下降，对潮峰存在显著的低估现象。在 BPNN 预测的空间潮残量场基础上，依据中国国家标准 GB/T 39418-2020 进行了风暴潮强度分级。全计算域与珠江口子区域的统计对比揭示，在漏斗状地形放大效应的驱动下，高强度风暴潮网格在河口区域具有强烈的空间聚集特征。本研究证明了在给定台风条件下使用 BPNN 作为水文动力学输出代理仿真器的可行性；然而，其时序外推性能的局限性仍需在将该方法实际应用于业务预警前得到解决。
