潮位是沿海防灾减灾、航运调度、海洋工程安全保障的核心基础海洋要素。近海潮位变化由天文潮与气象余水位共同作用形成，在台风等极端天气过程中，二者会发生非线性耦合，极易诱发异常增水，直接威胁沿海地区人民生命与财产安全。实际潮汐演化过程具备强非线性、空间异质性显著、多尺度耦合等复杂特征，传统单站时序预报模型难以刻画多个验潮站点之间的空间关联与协同演变关系，区域潮位预报的精度与可靠性是行业长期存在的技术难题。

针对上述科学与工程瓶颈，中国科学院烟台海岸带研究所近岸河口物理海洋研究组（毛淼华研究团队）联合中国计量大学，创新性地提出一种基于多图时空图卷积网络（MG-STGCN）的多站潮位智能预报模型，在日本濑户内海、纪伊水道的多站点潮位预报应用中取得重要技术突破。

研究团队选取日本濑户内海西北部大分、德山、348站、吴、广岛五个典型验潮站作为模型训练区域（图1），依托2012—2016年逐时潮位观测数据与气象再分析资料，构建高质量多源融合数据集。针对现有预报方法仅采用单一地理距离图的固有缺陷，团队创新性地构建了三模态互补图结构（图2），实现多维度空间关联信息的全面挖掘：利用地理距离静态图，编码验潮站间固有的空间邻接关系；构建历史潮位相关性动态图，刻画潮波传播的隐含路径；建立风应力关联动态图，捕捉气象强迫作用的空间分布效应。

图1 研究区域与五处验潮站分布

图2 模型数据融合、三图构建、空间特征提取与时序建模模块

在此基础上，研究设计自适应多图融合模块，动态调节三种模态结构的贡献权重；同时引入风暴感知自适应加权机制，在极端天气场景下强化风应力驱动因子的作用。在空间－时序特征提取层面，模型融合多分支切比雪夫图卷积与门控循环单元（GRU），实现对潮位空间依赖关系与时序演化规律的联合建模。

为系统验证模型核心性能，团队开展分层对比试验。研究以濑户内海五站数据作为训练集，选取纪伊水道另外五个验潮站开展独立泛化测试，并针对2018年超强台风“杰比”（Jebi）引发的极端海况开展专项效果检验。试验结果显示，MG-STGCN模型在1—24小时全预报时效内，预报效果显著优于LSTM、GRU、Transformer及T-GCN、Cheb-GRU等主流预报模型。其中，1小时预报误差达到厘米级，24小时预报仍可维持极高精度（图3）。在纪伊水道五站的跨区域泛化测试中，模型各时效预报效果均保持优良性能，体现出优异的区域迁移泛化能力。尤为突出的是，针对台风“杰比”过程（图4），该模型训练数据集完全未纳入台风期间观测样本，但仍可精准复现半日潮周期震荡与风暴增水叠加演变的完整过程，充分验证模型在极端天气条件下的高可靠性。

图3 濑户内海五站1小时预报散点对比

图4 台风“杰比”期间纪伊水道五站1小时预报时间序列对比

机理分析表明，传统单图模型难以兼顾气象强迫的空间异质性以及潮波传播的动态传播特征。而本研究构建的三模态互补图架构，可实现不同海况下的自适应权重适配：常规海况下，以地理距离、潮位相关性作为预报主导因子；台风过境时，依托风暴感知加权机制自动放大风应力图的权重贡献，有效捕获极端环境下水位突变的关键驱动过程，既能大幅提升预报精度，也为量化解析复杂海域潮位演变的时空主控因子提供了新的技术手段。

系列试验表明，MG-STGCN模型在1—24小时全时效区稳定输出高质量预报结果，满足沿海防灾减灾、航运调度、海洋工程安全保障等实际业务应用要求。本研究成果为复杂海岸、内海海域的潮位预报提供了全新的智能化技术方案，对于提升我国乃至全球沿海区域海洋环境预报水平、保障海上航行安全，兼具重要的理论价值与工程应用前景。

相关研究成果以“Multi-station tidal level forecasting based on a novel spatio-temporal graph convolutional neural network”为题，发表于海洋工程领域国际权威期刊 Ocean Engineering。研究工作得到国家自然科学基金、中国科学院及烟台市相关科研项目的联合资助。

论文信息：

Jiao J., Zhang Y., Weng H., Mao M.*, Guo Q., 2026. Multi-station tidal level forecasting based on a novel spatio-temporal graph convolutional neural network. Ocean Engineering, 365, 127357. https://doi.org/10.1016/j.oceaneng.2026.127357