中國科學院煙臺海岸帶所實現臺風風暴潮中長期智能預報與可解釋性新突破！

風暴潮是全球沿海區域破壞性極強的典型海洋災害。當前，全球海平面加速上升、臺風活動頻次與強度顯著增強，進一步加劇我國沿海地區風暴潮、洪澇、海水倒灌等災害風險。由于風暴潮演變過程受臺風路徑、大氣強迫、海底地形、潮汐作用等多要素非線性耦合驅動，呈現強非線性、多尺度時空關聯的復雜特征，致使長期精準預報一直是海洋防災減災領域的技術瓶頸。

針對這一行業難題，中國科學院煙臺海岸帶研究所近岸河口物理海洋研究組（毛淼華研究團隊）聯合美國馬里蘭大學，創新研發出融合混合深度學習架構與多維度可解釋性分析的風暴潮預報新體系，成功實現渤海海域風暴潮中長期高精度預報，精準厘清了風暴潮演變的核心物理驅動機制，在海洋災害智能預報領域取得關鍵性技術突破，為沿海地區風暴潮風險評估、應急預警、防災減災工作提供了強有力的技術支撐。

研究團隊聚焦渤海典型海域，選取塘沽、黃驊、濰坊三大核心驗潮站作為關鍵研究點位（圖1），基于2000—2022年影響渤海的15場臺風實測數據，結合ADCIRC數值模擬技術，構建了高精度、高可靠性的模型訓練數據集。針對風暴潮不同預報時效的技術難點，團隊搭建了差異化智能預報模型體系：面向24小時多步連續預報，團隊構建CNN-BiLSTM-Attention混合深度學習模型（圖2），通過卷積神經網絡提取海洋環境局部特征、雙向長短期記憶網絡捕捉時序演變規律、注意力機制自適應賦能關鍵預報信息，搭建起端到端的24小時連續精準預報框架。針對24—72小時中長期單步預報，采用獨立BiLSTM模型，有效規避復雜模型架構帶來的誤差累積問題，大幅提升中長期預報穩定性與可靠性。

為破解深度學習預報模型“黑箱”難題，明晰模型預報邏輯與物理機理，團隊融合SHAP、PIM、SFS三種主流可解釋性分析工具，從多維度、多層次量化各類氣象、海洋因子對風暴潮預報結果的影響權重，實現了智能預報結果的物理機制可解釋、過程可追溯。

圖1研究區域與臺風路徑

圖2機器學習混合模型架構

研究團隊選取“梅花”“煙花”“利奇馬”三場典型獨立臺風事件開展模型性能驗證測試。結果表明，搭載注意力機制的CNN-BiLSTM-Attention模型，24小時多步預報誤差遠優于傳統對照模型（圖3）。獨立BiLSTM模型在24—72小時中長期預報中展現出高精度、強穩定性的優勢，48小時內風暴潮峰值量級、峰現時刻的預報偏差均控制在業務化應用允許范圍內，完全契合渤海沿海防災減災應急預警的時間窗口，具備極強的業務落地價值。

圖3各站點24小時多步預報及模型－觀測對比散點圖

多維度可解釋性分析進一步揭示了渤海風暴潮演變的核心物理驅動規律（圖4）。三種分析方法結果高度一致，證實臺風緯度是全預報時效下最核心的預測因子，臺風中心氣壓、最大風速分別為第二、第三關鍵影響因子，充分印證了大氣強迫在風暴潮生成演變中的主導作用。

研究同時發現，各因子的影響權重隨預報時效呈現規律性變化：24—48小時中期預報中，臺風緯度、中心氣壓、最大風速、移動速度多因子協同驅動風暴潮演變；60—72小時長期預報中，臺風中心氣壓的影響權重顯著提升，通過“逆氣壓效應”調控海域低頻背景水位，成為長時效風暴潮預報最穩定、最關鍵的預測信號。此外，研究發現海河口塘沽站的大氣強迫貢獻相對弱化，表明河口復合洪水區域的風暴潮預報需進一步納入河流徑流、潮汐相位等關鍵因子，為后續模型優化指明了方向。

圖4各預報時效下特征重要性SHAP分析

研究成果以“Explainable deep learning methods for medium- and long-term storm surge forecast”為題，發表于領域國際期刊Ocean Modelling。該研究工作得到國家自然科學基金委員會、中國科學院項目、山東省重點研發計劃等項目的資助。

論文信息：

Su C., Sahoo B., Mao M.*, Xia M., 2026. Explainable deep learning methods for medium- and long-term storm surge forecast.?Ocean Modelling, 204, 102789. https://doi.org/10.1016/j.ocemod.2026.102789

• 信息來源：中國科學院煙臺海岸帶所。

  轉載請注明信息來源及海洋知圈編排。