近日,海洋科学学院谢华荣博士与合作者在物理约束的风暴潮智能预报方面取得新进展,相关论文“Physics-informed and data-efficient machine learning for storm surge forecasting during typhoons”在Science Advances期刊发表。论文第一作者为谢华荣博士,通讯作者为董昌明教授。合作者还包括海科院刘雨立博士、中国科学院海洋研究所冯兴如教授和中国海洋大学王智峰教授。
风暴潮灾害会造成沿海地区严重的人员伤亡和巨大的经济损失,对风暴潮的快速、准确预报在保障人身安全和促进海洋经济发展等方面具有重要意义。高分辨率数值模式需要更多的计算资源和时间,难以满足风暴潮的快速预警报需求;传统的智能方法完全依赖于大数据驱动,缺乏物理知识约束,泛化能力不足;以物理信息神经网络(PINN)为代表的物理约束智能方法面临动力方程与数据约束损失量级不均衡,模型仍以数据驱动为主等问题。本研究提出了一种动力方程与小样本融合驱动的风暴潮智能预报模型SSNN(图1),将二维浅水方程引入神经网络优化,减少了对大量训练数据的需求,并采用迭代训练策略以降低对长历史时序数据的依赖。为保证动力方程充分参与模型优化,引入了一种带有动态平衡策略的分段式损失函数,逐步增强物理残差相对于数据项的贡献。
与纯数据驱动模型相比,本研究提出的风暴潮智能预报模型能够更加准确地追踪风暴潮的时空演变过程(图2),采用的分段式损失函数显著增强了动力方程在模型优化训练中的作用,同时降低了模型对训练数据的需求。平均均方根误差降低了22.0%,平均偏差由0.053 m显著降低至0.015 m,误差的降低主要分布在风暴潮水位快速变化的近岸区域(图3)。
通过将浅水方程嵌入深度神经网络架构并采用迭代训练策略,SSNN实现了有限训练数据下风暴潮的稳定预报,展现出未来集成到业务化预警框架中的潜力,将为沿海风暴潮的准确且物理一致预报提供新的途径。
该研究得到国家重点研发计划(2023YFC3008200)、国家自然科学基金(42606220)、崂山实验室自主技术创新项目(LSKJ202400203)等项目的支持。
论文链接:Xie, H., Dong, C.*, Liu, Y., Feng, X., Wang, Z. Physics-informed and data-efficient machine learning for storm surge forecasting during typhoons. Sci. Adv. 12, eaeh5673 (2026). DOI:10.1126/sciadv.aeh5673

图1 风暴潮智能预报模型框架与训练策略


图2 SSNN和DNN预报风暴潮水位与SCHISM数值模拟的对比

图3 SSNN和DNN预报误差空间分布