准确及时的风暴潮预报可为海岸带科学管理提供重要信息。渤海是位于西北太平洋的一个半封闭边缘海，气候变化和人为活动增加了渤海风暴潮的发生频率，亟需创新预测系统来应对频繁和强烈的风暴潮影响。近日，中国科学院烟台海岸带研究所毛淼华研究团队研发了一种渤海风暴潮快速预报方法，提升了渤海风暴潮预报能力。

研究使用再分析风场和Holland模型构建混合风场，通过ADCRIC进行风暴潮的数值模拟补偿缺失的观测数据，建立了四个机器学习（ML）模型（图1），对风暴潮进行提前6、12和18小时预测（图2和3）。ML模型与数值模型FVCOM结合的综合模型FVCOM-ML，提高了渤海风暴潮的预测精度和速度（图4）。

图1 ML模型示意图

图2 ML模型预测风暴潮结果与观测数据的对比

图3 ML模型提前6、12和18小时预测“利奇马 1909”风暴潮

图4 FVCOM、ML 和FVCOM‐ML预测风暴潮结果的比较

进一步研究发现，4种ML模型对单站点、单步风暴潮的预报精度差异并不显著，预报精度随预报提前时间的增加而降低，而且ML模型对渤海湾和莱州湾风暴潮的预报精度高于辽东湾。综合模型对单站点、多步的预测精度比单个模型高1/3以上，对多站点、多步风暴潮的预报能力明显优于单个模型。结合机器学习与数值模型，FVCOM-CNN-LSTM和FVCOM-ConvLSTM具有较高的预测能力。与ML只遵循目标函数而不遵循物理原理不同，FVCOM-ML有效降低了传统方法固有的不确定性，提高了对渤海风暴潮的预测准确度。与单一模型相比，结合ML的综合模型可将渤海风暴潮预报精度提高18%，而且可以降低风暴潮预测成本，使得ML模型有望成为未来风暴潮的快速反应预测系统。

相关成果在海洋学国际期刊Journal of Geophysical Research: Machine Learning and Computation发表。文章第一作者是烟台海岸带所博士研究生苏长宇，导师为毛淼华研究员，合作者还包括马里兰大学Bishnupriya Sahoo（通讯作者）与Meng Xia。该研究工作得到国家自然科学基金（42050410325)、中国科学院外国青年学者津贴项目（2020FYM0003）、烟台市双百计划（E039031101）和山东省重点研发项目（2022CXPT019）支持。

论文信息：

Su, C., Sahoo, B. *, Mao, M., & Xia, M. (2025). Machine learning techniques for predicting typhoon‐induced storm surge using a hybrid wind field. Journal of Geophysical Research: Machine Learning and Computation, 2, e2024JH000507. https://doi.org/10.1029/2024JH000507

相关论文信息：

Peng, J., Mao, M.*, & Xia, M. (2024). Wave Spectra Analysis on the Spatiotemporal Variability of Sea States under Distinct Typhoon Tracks in a Semienclosed Sea. Journal of Physical Oceanography, 54(3), 783-807. https://doi.org/10.1175/JPO-D-23-0066.1

Peng, J., Mao, M.*, & Xia, M. (2023). Dynamics of wave generation and dissipation processes during cold wave events in the Bohai Sea. Estuarine, Coastal and Shelf Science, 280, 108161. https://doi.org/10.1016/j.ecss.2022.108161

Nguyen, Q. T., Mao, M.*, & Xia, M. (2023). Numerical Modeling of Nearshore Wave Transformation and Breaking Processes in the Yellow River Delta with FUNWAVE-TVD Wave Model. Journal of Marine Science and Engineering, 11(7), 1380. https:// doi.org/10.3390/jmse11071380