改进的物理信息U-Net在台湾海峡福建沿岸台风风暴潮预报中的应用

《Continental Shelf Research》：Application of an improved physics-informed U-net for Typhoon storm surge forecasting along the Fujian coast of the Taiwan Strait

　　

• 一种用于风暴潮预报的物理信息深度学习模型。
• 软PDE残差作为先验而非刚性约束，以提升物理合理性。
• 提高长期风暴潮预报精度。
• 在近岸复杂地形中优于U-Net约5%–15%。
• 仅用17个台风事件训练即实现高精度。

引言

风暴潮是由强风和快速气压变化引发的危险海洋现象，主要由风应力导致的水体堆积和气压下降引起的水位上升驱动（Ellis和Sherman, 2015; Li等, 2020）。这些现象通常发生在极端天气事件期间，如台风、飓风或温带气旋。根据其生成机制，风暴潮可分为天文风暴潮和温带风暴潮，台风引发的风暴潮属于气象风暴潮，是沿海地区面临的主要自然灾害之一。风暴潮对沿海地区构成严重威胁，频繁引发极端洪水（Xia等, 2008; Feng等, 2016; Mao和Xia, 2017），淹没低洼地区，破坏港口、码头、道路、船舶及其他基础设施，甚至导致重大人员伤亡和经济损失（Lin等, 2012; Haigh等, 2014）。在台湾海峡，狭水道效应放大了风速，半封闭海域的地形共振进一步加剧了影响。当风暴潮与天文潮叠加时，其破坏潜力可呈指数级增加，扩大了灾害的范围和强度（Haigh等, 2022; Hague等, 2022）。随着全球气候变化加剧，海平面上升以及极端天气事件的频率和严重程度增加，风暴潮灾害的风险日益升高。同时，沿海地区快速城市化使更多的人口和资产暴露于风暴潮威胁之下。因此，风暴潮预报具有至关重要的意义。准确预报风暴潮水位的时空分布具有关键重要性，它为沿海灾害防御和减灾提供科学依据，并支持政府和相关部门制定有效的应急预案、疏散策略和长期沿海发展规划，从而减少人员伤亡和经济损失，同时确保沿海地区的可持续发展（Munroe等, 2018; Shi等, 2020）。

为实现准确的风暴潮水位预报，当前主流方法包括纯数据驱动模型（Tadesse等, 2020）、经验公式模型和动态数值模型（Dietrich等, 2012）。动态数值模型需要天气和台风信息数据，通常包括台风中心气压、风速和路径。例如，SLOSH模型（Jelesnianski, 1992）通常由应急管理人员结合美国国家飓风中心（NHC）的风暴潮预报使用，从而有效识别受影响区域以便疏散。近年来，开发了更多精确的数值模型，如POM（Robertson等, 2001）、FVCOM（Chen等, 2003）和ADCIRC（Luettich和Westerink, 2004），并已应用于潮汐和风暴潮模拟与预报。虽然这些模型已在实际应用中实施，但受限于高计算需求和有限的可重复分辨率（Dietrich等, 2012）。这些模型需要大量初始数据进行潮汐过程的物理模拟，导致高计算成本和耗时。复杂海岸地形需要显著更高的网格分辨率。预报必须在几小时内完成以满足实时需求。然而，很少有计算机能在短时间内完成大规模高分辨率计算。这使得难以满足实时预警需求（Blanton等, 2013）。

随着人工智能（AI）技术的不断进步，其在海洋学中的应用日益广泛和深入。AI模型，特别是深度学习技术，为解决复杂非线性问题和捕捉多变量之间的相互作用提供了强有力的工具。基于反向传播的多层神经网络训练方法于1986年首次被全面描述（Rumelhart等, 1986）。该方法通过逐层计算损失函数的梯度来优化参数，显著推动了神经网络的发展，并为其在海洋学中的应用提供了理论支持。随后，荷兰开发了一种人工神经网络水文预报模型，用于预报艾瑟尔湖的水位。残差网络（ResNet）引入了残差学习框架，有效解决了深层网络训练中的梯度消失问题，使更深层网络的训练成为可能（He等, 2016）。该技术在处理复杂海洋数据方面表现出色，特别是在需要捕捉多层次特征的任务中。长短期记忆（LSTM）模型在特定地点的沿海海平面建模中展现了优异性能，凸显了其在捕捉时间序列数据中长期依赖关系方面的有效性（Ishida等, 2020）。卷积神经网络（CNN）已被用于识别气候数据中的时空模式，展现了其在降水预报中的潜力（Shi等, 2015）。此外，ConvLSTM通过其卷积门控机制同时捕捉空间相关性和时间演化，进一步凸显了其在风暴潮预报中的潜力（Shi等, 2015）。目前，神经网络在风暴潮时间序列预报（French等, 2017; Al Kajbaf和Bensi, 2020; Ramos-Valle等, 2021; Lockwood等, 2022）以及使用贝叶斯神经网络开发海岸形态和形态动力学模型（Gutierrez等, 2011; Plant和Stockdon, 2012; Poelhekke等, 2016）方面已取得了令人瞩目的成果。

U-Net是一种专为图像分割设计的卷积神经网络，在海洋学研究中同样展现出独特优势。最初开发用于生物医学图像分割任务（Ronneberger等, 2015），U-Net独特的U形架构结合了编码器和解码器路径，能够在保留空间信息的同时实现高精度像素级分割。这一特点使U-Net在处理海洋遥感图像、分割海底地形和预报海洋物种分布等任务中非常有效。例如，U-Net已被用于预报南极海冰浓度（Wang等, 2023），为海洋环境监测和生态研究提供了关键支持。此外，U-Net的扩展版本已应用于超分辨率重建。例如，一种具有不同核的双分支卷积层的改进U-Net成功从低分辨率图像中提取多级特征用于超分辨率重建（Han等, 2022）。U-Net的灵活性和可扩展性使其成为海洋学研究中的重要工具。

物理信息神经网络（PINNs）将控制方程残差嵌入损失函数以强制物理一致性（Raissi等, 2019），但在大规模问题中面临精度和效率瓶颈。采用"分而治之"范式的领域分解策略，包括XPINNs（Jagtap和Karniadakis, 2020）、hp-VPINNs（Kharazmi等, 2021）和PPINNs（Meng等, 2020），已被提出以缓解训练负担。然而，大多数现有PINN变体聚焦于基准案例，沿复杂海岸线进行空间分布风暴潮预报的现场尺度应用仍然有限。

尽管取得了上述进展，但福建沿海地区的风暴潮预报仍存在三个关键研究空白：(1) 大多数现有深度学习方法聚焦于单点时间序列预测，缺乏生成空间分布风暴潮场的能力；(2) 能够进行空间场预测的U-Net模型完全是数据驱动的，缺乏物理约束，在极端台风条件下常产生物理上不合理的结果；(3) SCHISM等高保真数值模型计算成本高昂，无法满足实时预警系统的快速响应需求。这些局限性凸显了在该地区缺乏一种兼顾预报精度、物理一致性和计算效率的有效解决方案。

为弥补这些空白，本研究提出了一种物理信息U-Net（PI-Unet）框架。通过将风暴潮控制方程的残差嵌入损失函数，模型在拟合训练数据的同时对质量和动量守恒施加软约束。本工作聚焦于方法开发和概念验证，旨在展示将物理约束纳入空间风暴潮预报的可行性和有效性。PI-Unet并非旨在取代SCHISM等高保真数值模型，而是探索一条兼顾计算效率和物理一致性的新途径，用于快速风险评估和运行应用。与大多数现有基于AI的、局限于单站点点预报的风暴潮模型不同，PI-Unet直接预测整个区域的全空间风暴潮场和流场分量（u, v）。这种区域尺度预报能力是一项关键优势，因为它能够实现全面的风险评估，并支持空间明确的应急规划，这对于海岸线复杂、人口分布不均的沿海地区至关重要。本文结构如下：第2节介绍多源数据集的构建；第3节详细分析PI-Unet模型的架构设计；第4节展示模型在典型台风案例中的预报性能；第5节讨论运行应用中的技术挑战和未来改进方向，为智能海洋灾害预报提供了新颖的方法论框架。

片段章节

数据

在本研究中，我们的深度学习模型旨在利用ERA5再分析数据集提供的未来风速和海平面气压数据作为输入，预测对应的风暴潮水位和流速。为此，用于训练模型的目标数据（即用于反向传播的预测结果）源自SCHISM（半隐式跨尺度水文综合系统模型）（Xie等, 2025）的模拟结果。SCHISM是一个成熟的

方法

本节提出了一种整合物理约束的深度学习框架，用于台风风暴潮的快速预报。首先，建立了风暴潮的控制方程组，为模型提供水动力学约束。然后，设计了一种三通道U-Net架构，整合时空注意力机制以增强台风眼区域的特征提取。最后，通过多维

实验设置

为评估卷积神经网络（U-Net）和物理信息卷积神经网络（PI-Unet）在台湾海峡风暴潮预报中的性能，所有实验均在配备8块NVIDIA L20 GPU的高性能计算集群上进行，每块GPU内存为46,068 MiB（约46 GB），总计约527 GB。该配置能够高效处理大规模时空数据集和复杂模型训练。软件

结论

本研究介绍了一种新颖的物理信息U-Net（PI-Unet）模型用于风暴潮预报，将控制方程与增强卷积块注意力模块（CBAM）的三通道U-Net架构相结合。在17个台风事件上使用3小时滑动窗口训练以预报168小时风暴潮场，PI-Unet在性能上优于标准U-Net，RMSE更低（例如2015年9月29日台风"杜剑"为0.055米对比0.065米），Pearson相关系数更高（例如

CRediT作者贡献声明

戚金生：撰写–审阅与编辑，撰写–初稿，可视化，验证，软件，项目管理，方法学，调查，形式分析，数据管理，概念化。王志峰：撰写–审阅与编辑，监督，项目管理，资金获取。朱志成：方法学，形式分析，概念化。姜菲菲：撰写–审阅与编辑，验证，软件，形式分析。董昌明：可视化，资源，

声明：稿件准备过程中生成式AI及AI辅助技术的使用

在准备本工作期间，作者使用了豆包生成式AI润色英文写作、优化段落逻辑并协助起草对审稿人的逐点回复。作者审阅、修改并编辑了所有AI生成的输出内容，并对本文内容承担全部责任。

利益冲突声明

作者声明不存在已知的可能影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家重点研发计划（2023YFC3008203）和国家自然科学基金（42377457）的资助。

戚金生|王志峰|朱志成|姜菲菲|董昌明|冯星茹|谢华荣