謝文鴻,徐廣珺,董昌明②*

① 南京信息工程大學(xué) 海洋數(shù)值模擬與觀測(cè)實(shí)驗(yàn)室,江蘇 南京 210044;② 南方海洋科學(xué)與工程廣東省實(shí)驗(yàn)室(珠海),廣東 珠海 519000;③ 廣東海洋大學(xué) 電子與信息工程學(xué)院,廣東 湛江 524088

風(fēng)暴潮是一種由于劇烈的大氣擾動(dòng)引起海區(qū)潮位大幅上漲的現(xiàn)象,也被稱(chēng)之為“風(fēng)暴增水”“風(fēng)暴海嘯”等。風(fēng)暴潮是否成災(zāi),主要取決于大氣擾動(dòng)所引起的潮位是否與天文大潮的潮期相疊。臺(tái)風(fēng)、溫帶氣旋、寒潮大風(fēng)等大氣現(xiàn)象都可能導(dǎo)致對(duì)應(yīng)海域的風(fēng)暴潮發(fā)生,而根據(jù)風(fēng)暴潮的誘因,通常也會(huì)將風(fēng)暴潮分為溫帶風(fēng)暴潮和臺(tái)風(fēng)風(fēng)暴潮兩種。本文我們主要討論臺(tái)風(fēng)風(fēng)暴潮。溫帶風(fēng)暴潮的增水較緩,增水高度一般也不如臺(tái)風(fēng)風(fēng)暴潮。臺(tái)風(fēng)風(fēng)暴潮多發(fā)生于夏秋兩季,來(lái)勢(shì)快且破壞力強(qiáng)。據(jù)《中國(guó)海洋災(zāi)害公報(bào)》統(tǒng)計(jì),臺(tái)風(fēng)風(fēng)暴潮所造成的直接經(jīng)濟(jì)損失一直位居我國(guó)海洋災(zāi)害之首。所以,及時(shí)、有效地預(yù)報(bào)和預(yù)警風(fēng)暴潮在國(guó)家經(jīng)濟(jì)和社會(huì)民生方面都具有迫切的需求和重要的意義。

傳統(tǒng)的風(fēng)暴潮預(yù)報(bào)方式是動(dòng)力驅(qū)動(dòng)的數(shù)值模式預(yù)報(bào),需要預(yù)報(bào)的參數(shù)是沿岸水位的變化及其漫灘過(guò)程。如:美國(guó)國(guó)家海洋和大氣管理局(NOAA)、美國(guó)國(guó)家颶風(fēng)中心(NHC)等部門(mén)基于SLOSH(Sea,Lake,and Overland Surges from Hurricanes)模型研究提供風(fēng)暴潮概率產(chǎn)品和最大可能增水產(chǎn)品等,為政府等部門(mén)提供決策支持(Glahn et al.,2009)。海洋與海洋氣象學(xué)技術(shù)聯(lián)合委員會(huì)(JCOMM)等國(guó)際組織支持推動(dòng)下,基于數(shù)值模式產(chǎn)品,對(duì)風(fēng)暴潮、海嘯等災(zāi)害已具備較好的數(shù)值預(yù)報(bào)能力(Kohno et al.,2018)。得益于計(jì)算機(jī)技術(shù)的發(fā)展,風(fēng)暴潮數(shù)值預(yù)報(bào)模式迅猛發(fā)展,已發(fā)展出多個(gè)非結(jié)構(gòu)網(wǎng)格的海洋數(shù)值模型包括ADCIRC(The ADvanced CIRCulation model;Luettich and Westerink,2004)、FVCOM(Finite-Volume Coastal Ocean Model;Chen et al.,2006)、SELFE(Semi-implicit Eulerian-Lagrangian Finite Element model;Zhang and Baptista,2008)等。但在現(xiàn)階段,直接利用數(shù)值模式模擬風(fēng)暴潮漫灘漫堤過(guò)程,還存在一定的困難,一方面較難獲取精細(xì)化的海堤特性、陸地高程、陸地地塊屬性等基礎(chǔ)數(shù)據(jù),另一方面對(duì)于模擬結(jié)果的現(xiàn)場(chǎng)檢驗(yàn)缺少調(diào)查資料,因此還需要開(kāi)展大量的工作(侯一筠等,2020)。

直接利用數(shù)值模式模擬風(fēng)暴潮漫灘漫堤過(guò)程,需要獲取精細(xì)化的海堤特性、陸地高程、陸地地塊屬性等較難獲取的基礎(chǔ)數(shù)據(jù),同時(shí)運(yùn)算高分辨率的數(shù)值模式也需要耗費(fèi)巨大的研究資源和計(jì)算時(shí)間。針對(duì)研究資源和計(jì)算時(shí)間的消耗,近年來(lái)興起的數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)預(yù)報(bào)方法顯然更具優(yōu)勢(shì),只需要一次性耗費(fèi)訓(xùn)練時(shí)間,就可以用訓(xùn)練好的模型實(shí)現(xiàn)快速地預(yù)報(bào)。此外,使用機(jī)器學(xué)習(xí)的方法預(yù)測(cè)還可以在使用過(guò)程中不斷地優(yōu)化模型,達(dá)到持續(xù)強(qiáng)化預(yù)報(bào)能力的效果。目前機(jī)器學(xué)習(xí)方法已成功應(yīng)用于氣候和氣象預(yù)測(cè)(智協(xié)飛等,2020;賀圣平等,2021;黃超等,2022)、海洋特征智能識(shí)別(Xu et al.,2019,2021)、海洋參數(shù)智能預(yù)測(cè)(Bethel et al.,2021,2022;Zhou et al.,2021a;劉泉宏等,2022)等一系列研究中,同時(shí)機(jī)器學(xué)習(xí)算法的興起也帶來(lái)了新的臺(tái)風(fēng)災(zāi)情預(yù)報(bào)手段(陳有利等,2018)和更多預(yù)報(bào)風(fēng)暴潮的方法,例如:Lee(2006)、Rajasekaran et al.(2008)和Hashemi et al.(2016)將風(fēng)速、風(fēng)向、壓強(qiáng)等臺(tái)風(fēng)要素作為輸入,訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(Rumelhart et al.,1986)或是使用支持向量機(jī)(Sch?lkopf et al.,1998)來(lái)對(duì)風(fēng)暴潮進(jìn)行預(yù)報(bào)。近年來(lái),也有研究者開(kāi)始使用循環(huán)神經(jīng)網(wǎng)絡(luò)的方法,以加強(qiáng)時(shí)序預(yù)報(bào)的表現(xiàn)。如雷森等(2017)使用遞歸神經(jīng)網(wǎng)絡(luò)算法對(duì)風(fēng)暴潮進(jìn)行預(yù)報(bào),結(jié)果顯示,相對(duì)于BP神經(jīng)網(wǎng)絡(luò),遞歸神經(jīng)網(wǎng)絡(luò)能得到更好的預(yù)測(cè)結(jié)果,誤差更小。劉媛媛(2020)等利用LSTM建立了單個(gè)站點(diǎn)的風(fēng)暴潮臨近預(yù)報(bào)模型,綜合考慮氣象要素和前時(shí)間序列的潮位因素,考慮了四種不同輸入?yún)?shù)的組合分析了未來(lái)1～3 h的潮位高度。綜上所述,在處理風(fēng)暴潮水位預(yù)報(bào)問(wèn)題時(shí),前人普遍都使用了一些統(tǒng)計(jì)分析方法或是將機(jī)器學(xué)習(xí)與數(shù)值模式結(jié)合的方式,將臺(tái)風(fēng)的信號(hào)如中心最低氣壓、中心最大風(fēng)速等信息分解整合到一維,再通過(guò)機(jī)器學(xué)習(xí)算法進(jìn)行風(fēng)暴潮的水位預(yù)報(bào)。這些研究取得了一些成效,但是臺(tái)風(fēng)在大氣中表現(xiàn)出極強(qiáng)的二維場(chǎng)甚至三維特征,對(duì)其進(jìn)行分解整合到一維中難免丟失太多信號(hào),從而使得預(yù)報(bào)的精度和預(yù)報(bào)時(shí)效性仍有提升空間,而且也只能開(kāi)展單個(gè)站點(diǎn)水位的時(shí)序預(yù)報(bào)。

隨著卷積神經(jīng)網(wǎng)絡(luò)的興起,不少研究人員開(kāi)始將卷積神經(jīng)網(wǎng)絡(luò)(LeCun et al.,1998)用于熱帶氣旋的強(qiáng)度研究(金龍等,2020)。如改進(jìn)各類(lèi)卷積神經(jīng)網(wǎng)絡(luò)從衛(wèi)星資料中估算熱帶氣旋的強(qiáng)度(Chen et al.,2019;Lee,2019;Wimmers et al.,2019;Zhang et al.,2020),以及利用圖形處理單元設(shè)計(jì)深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),用于熱帶氣旋強(qiáng)度分類(lèi)(Pradhan et al.,2018)。這些結(jié)果表明,卷積神經(jīng)網(wǎng)絡(luò)能較好地用于臺(tái)風(fēng)強(qiáng)度的判斷,說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)有利于臺(tái)風(fēng)空間特征的提取,但將卷積神經(jīng)網(wǎng)絡(luò)用于風(fēng)暴潮預(yù)測(cè)的研究還未見(jiàn)文獻(xiàn)報(bào)道。這可能是因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的空間特征提取能力,但在時(shí)間序列預(yù)報(bào)模型中表現(xiàn)不佳。卷積和LSTM結(jié)合的ConvLSTM(Shi et al.,2015)的出現(xiàn)解決了這樣的難題。有研究學(xué)者開(kāi)始將其用于海洋要素的預(yù)報(bào),如Zhou et al.(2021b)將ConvLSTM用于波浪有效波高預(yù)報(bào),經(jīng)過(guò)臺(tái)風(fēng)海況下的數(shù)據(jù)集訓(xùn)練,在臺(tái)風(fēng)海況下也能完成波浪有效波高的預(yù)報(bào)。

綜上所述,前人使用的機(jī)器學(xué)習(xí)算法在風(fēng)暴潮的預(yù)報(bào)研究都還集中在對(duì)單個(gè)站點(diǎn)的時(shí)序預(yù)報(bào)上,針對(duì)風(fēng)場(chǎng)二維信號(hào)的提取和對(duì)風(fēng)暴潮漫灘過(guò)程的數(shù)據(jù)驅(qū)動(dòng)預(yù)報(bào)還有待開(kāi)展。通過(guò)前人的研究可以發(fā)現(xiàn),卷積神經(jīng)網(wǎng)絡(luò)有利于臺(tái)風(fēng)特征的提取,而循環(huán)神經(jīng)網(wǎng)絡(luò)有利于時(shí)序預(yù)報(bào),而將兩者結(jié)合的ConvLSTM兼具兩者優(yōu)勢(shì)。因此,本研究擬使用ConvLSTM網(wǎng)絡(luò),開(kāi)發(fā)了兩種智能預(yù)報(bào)模型,一種是提取二維海表面高度場(chǎng)的時(shí)序信號(hào)進(jìn)行預(yù)報(bào),另一種是提取二維的風(fēng)場(chǎng)特征,再與初始海表面高度場(chǎng)融合,進(jìn)行預(yù)報(bào)。

接下來(lái),本文將分為四個(gè)部分展開(kāi):第一部分是資料和方法,介紹了本研究中用于訓(xùn)練和檢驗(yàn)?zāi)Ｐ偷臄?shù)據(jù)來(lái)源,以及所使用的機(jī)器學(xué)習(xí)模型結(jié)構(gòu);第二部分是結(jié)果,分別展示了動(dòng)力驅(qū)動(dòng)模型FVCOM模式的結(jié)果和數(shù)據(jù)驅(qū)動(dòng)模型ConvLSTM的結(jié)果;最后是結(jié)論與討論,介紹我們?cè)谘芯恐兴龅囊恍┰囼?yàn),并得出本研究的主要結(jié)論。

1 資料和方法

1.1 資料

本研究中使用的資料包括:臺(tái)風(fēng)資料、再分析資料以及驗(yàn)潮站資料。臺(tái)風(fēng)資料用于篩選和確認(rèn)需要使用FVCOM模擬的臺(tái)風(fēng)個(gè)例,再分析資料用于驅(qū)動(dòng)FVCOM模式,驗(yàn)潮站資料用于驗(yàn)證模式結(jié)果;同時(shí),部分再分析資料還會(huì)被用于機(jī)器學(xué)習(xí)模型的訓(xùn)練。

1)臺(tái)風(fēng)資料

采用的臺(tái)風(fēng)資料是中國(guó)氣象局(CMA)熱帶氣旋資料中心的西北太平洋海域熱帶氣旋最佳路徑數(shù)據(jù)集(Ying et al.,2014;Lu et al.,2021)。該數(shù)據(jù)集記錄了每6 h的臺(tái)風(fēng)位置和強(qiáng)度。從2017年起,對(duì)于登陸我國(guó)的臺(tái)風(fēng),在其登陸前24 h時(shí)段內(nèi),最佳路徑時(shí)間頻次加密為逐3 h一次。從2018年起,對(duì)于登陸我國(guó)的臺(tái)風(fēng),除了加密其登陸前的24 h時(shí)段,還加密其在我國(guó)陸地活動(dòng)期間的最佳路徑時(shí)間頻次。在本研究中下載整理了1958—2018年熱帶氣旋最佳路徑數(shù)據(jù)集,遍歷其中的所有臺(tái)風(fēng),提取影響研究區(qū)域(112°～116°E,21°～24°N)的臺(tái)風(fēng)信息,包括時(shí)間、臺(tái)風(fēng)等級(jí)、緯度、經(jīng)度、中心最低氣壓,近中心最大風(fēng)速等信息。

圖1 FVCOM模式格點(diǎn)(藍(lán)網(wǎng)格)、驗(yàn)潮站位置(綠三角)和機(jī)器學(xué)習(xí)模型關(guān)注區(qū)域(紅框)Fig.1 FVCOM model mesh (blue grid),tide-gauge stations (green triangles) and interested region for mechine learning model (red box)

2)再分析資料

在本研究中使用了兩套再分析資料,包括美國(guó)國(guó)家環(huán)境預(yù)測(cè)中心(NCEP)氣候預(yù)報(bào)系統(tǒng)再分析(CFSR)資料和歐洲中期天氣預(yù)報(bào)中心(ECMWF)提供的ERA-40再分析資料,時(shí)間分辨率分別為1 h和6 h。根據(jù)模擬需求,我們主要收集了風(fēng)場(chǎng)和氣壓場(chǎng)要素。根據(jù)資料的時(shí)間范圍不同,NCEP提供了兩個(gè)版本的再分析資料,其中CFSR再分析資料集覆蓋的時(shí)間范圍是1979年1月1日—2011年1月1日,CFSv2再分析資料集覆蓋的時(shí)間范圍是2011年1月2日—2019年12月1日。而ERA-40資料則可以覆蓋1979年以前的時(shí)間,可以追溯到1958年。

3)驗(yàn)潮站資料

收集和整理了研究區(qū)內(nèi)三個(gè)驗(yàn)潮站的實(shí)測(cè)水位數(shù)據(jù)用于與模式模擬結(jié)果的驗(yàn)證。本研究主要收集了2013、2018年珠江口海域三個(gè)站點(diǎn)的潮汐數(shù)據(jù),包括桂山島(113.49°E,22.08°N)、香港(114.10°E,22.18°N)和大鵬灣(114°E,22.35°N)。潮位站的分布如圖1所示。

1.2 方法

在本研究中利用有限體積近岸海洋環(huán)流模型(FVCOM)建立風(fēng)暴潮數(shù)值模型,模擬生成的臺(tái)風(fēng)過(guò)程歷史后報(bào)數(shù)據(jù)經(jīng)過(guò)驗(yàn)證后被用于機(jī)器學(xué)習(xí)模型的訓(xùn)練、驗(yàn)證和測(cè)試。機(jī)器學(xué)習(xí)模型使用的是ConvLSTM模型。關(guān)于模式和機(jī)器學(xué)習(xí)模型的更詳細(xì)設(shè)置在下文中介紹:

1) FVCOM

本研究以珠江口以及臨近海域?yàn)橹饕芯繀^(qū)構(gòu)建風(fēng)暴潮數(shù)值模型,利用FVCOM模式模擬了過(guò)去60年(1958—2018年)間襲擊珠江口的79個(gè)臺(tái)風(fēng)引起的風(fēng)暴潮過(guò)程。這些臺(tái)風(fēng)過(guò)程的篩選是通過(guò)CMA的西北太平洋海域熱帶氣旋最佳路徑數(shù)據(jù)集完成的。通過(guò)判斷熱帶氣旋是否出現(xiàn)在研究區(qū)域,并結(jié)合其持續(xù)時(shí)間和強(qiáng)度等因素綜合考察。FVCOM采用的是有限體積法,這種方法綜合了有限差分和有限元模型的特點(diǎn),既可以與淺海復(fù)雜岸界擬合,又便于離散差分原始動(dòng)力學(xué)方程組,從而保證較高的計(jì)算效率。其采用的方程積分形式以及先進(jìn)的計(jì)算格式,對(duì)于具有復(fù)雜地形岸界的計(jì)算問(wèn)題可以更好地保證質(zhì)量的守恒性。引入了干濕網(wǎng)格處理模塊,可以對(duì)近岸灘涂、潮間帶的漲潮和落潮過(guò)程進(jìn)行精確模擬。本研究模擬區(qū)域的空間范圍為112.8°～114.8°E、21.2°～23.2°N。模式采用的三角網(wǎng)格由SMS模型(Surface-Water)制作,開(kāi)邊界和陸架區(qū)域的三角網(wǎng)格水平分辨率為5 km,近岸區(qū)域以及潮間帶區(qū)域的網(wǎng)格分辨率為200 m,向陸地延伸大約10 km,模型網(wǎng)格如圖1所示。陸地高程和水深地形數(shù)據(jù)來(lái)自GEBCO數(shù)據(jù)集(The General Bathymetric Chart of the Oceans;Kapoor,1981),空間分辨率為10′,模擬區(qū)域網(wǎng)格共有53 058個(gè)節(jié)點(diǎn)和104 850個(gè)元素,河流開(kāi)邊界有10個(gè)節(jié)點(diǎn),外海開(kāi)邊界有198個(gè)節(jié)點(diǎn)。

模式受到了海面上時(shí)間變化的風(fēng)和氣壓的強(qiáng)迫,在開(kāi)邊界上設(shè)置了潮汐,模擬了海表面高度以及氣壓變化引起的逆氣壓效應(yīng)。其中1979—2018年的海表面風(fēng)和氣壓數(shù)據(jù)來(lái)源于CFSR和CFSv2全球再分析數(shù)據(jù)集的10 m風(fēng)場(chǎng)數(shù)據(jù)和氣壓場(chǎng)數(shù)據(jù);1958—1978年的海表面風(fēng)和氣壓數(shù)據(jù)來(lái)源于ECMWF的ERA-40全球再分析數(shù)據(jù)集。模擬區(qū)域開(kāi)邊界的潮汐,來(lái)源于OTIS(OSU Tidal Inversion Software)/TPXO7.2預(yù)報(bào)的潮高,包括16個(gè)分潮。河流開(kāi)邊界上添加的徑流數(shù)據(jù)來(lái)自珠江干流和主要支流水文站(石角、高要、博羅、潮安)測(cè)得的月平均氣候態(tài)徑流量數(shù)據(jù)。模式垂向均勻分10層,時(shí)間步長(zhǎng)內(nèi)模為12 s,外模為1.2 s,每小時(shí)輸出一次,主要模擬海表面高度、流場(chǎng)、以及沿岸地區(qū)的漫灘過(guò)程。

2)ConvLSTM

本研究中風(fēng)暴潮漫灘機(jī)器學(xué)習(xí)算法預(yù)報(bào)是基于ConvLSTM模型開(kāi)展的。ConvLSTM是從傳統(tǒng)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short Term Memory,LSTM)演變而成的用于二維預(yù)報(bào)的深度學(xué)習(xí)模型。傳統(tǒng)LSTM在時(shí)序數(shù)據(jù)問(wèn)題上已經(jīng)被廣泛應(yīng)用,但是在面對(duì)二維數(shù)據(jù)時(shí),若將輸入展開(kāi)成全連接層處理不僅會(huì)耗費(fèi)巨大的計(jì)算資源,并且難以捕獲到二維空間場(chǎng)的空間相關(guān)性以及空間特征。ConvLSTM將LSTM中的矩陣乘法換成了卷積操作,使之在面對(duì)二維數(shù)據(jù)預(yù)報(bào)時(shí)有更好的性能,在一個(gè)單元格內(nèi)的具體表達(dá)式為:

=(*+*-1+°-1+);

=(*+*-1+°-1+);

=°-1+°tan(*+*-1+);

=(*+*-1+°+);

=°tan()。

其中:代表輸入門(mén);代表遺忘門(mén);表示輸出門(mén);表示當(dāng)前時(shí)刻的狀態(tài);-1表示上一時(shí)刻的狀態(tài);表示最終的輸出;表示權(quán)重系數(shù);表示相應(yīng)的偏置系數(shù);為sigmoid函數(shù);°代表哈達(dá)瑪乘積;*代表卷積。卷積操作可以很好地提取數(shù)據(jù)的空間特征,而LSTM可以很好地提取數(shù)據(jù)的時(shí)間相關(guān)性,因此ConvLSTM同時(shí)具備了時(shí)序建模和刻畫(huà)空間特征的能力,適用于一些時(shí)空相關(guān)性較強(qiáng)的物理量預(yù)報(bào)中。

圖2 基于ConvLSTM建立的風(fēng)暴潮智能預(yù)報(bào)模型結(jié)構(gòu)示意圖Fig.2 Schematic diagram of storm surge intelligent prediction model based on ConvLSTM

基于ConvLSTM神經(jīng)網(wǎng)絡(luò)建立的風(fēng)暴潮智能監(jiān)測(cè)模型結(jié)構(gòu)如圖2所示。本模型中將三個(gè)連續(xù)時(shí)間步長(zhǎng)的海表面高度場(chǎng)數(shù)據(jù)作為輸入數(shù)據(jù),分別通過(guò)三層ConvLSTM層,最后經(jīng)過(guò)一層3維卷積層輸出未來(lái)某個(gè)時(shí)刻的海表面高度(Sea Surface Height,SSH)信息。該模型每一層都使用ReLu作為激活函數(shù)以提高模型的非線性表達(dá)能力,循環(huán)步驟使用sigmoid作為激活函數(shù)。同時(shí),為了模型能夠更好地刻畫(huà)不同空間尺度的特征,將四層的卷積核分別設(shè)置為5×5、3×3、3×3和5×5,以平衡訓(xùn)練參數(shù)的數(shù)量和模型感受野。為了保證模型的輸出結(jié)果分辨率和輸入的一致,在卷積的過(guò)程中我們并未加入池化層或上采樣層,并使用填充設(shè)置使得中間過(guò)程生成的特征圖大小一致。上述網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置所參考的是前人研究的基于ConvLSTM的臺(tái)風(fēng)浪有效波高預(yù)測(cè)模型(Zhou et al.,2021b)。ConvLSTM最后會(huì)輸出3 h的預(yù)報(bào)場(chǎng),它和對(duì)應(yīng)時(shí)刻的FVCOM模式模擬結(jié)果間會(huì)存在誤差。我們使用均方根誤差作為損失函數(shù),從而完成模型的構(gòu)建。由于FVCOM模擬的是漫灘的過(guò)程,網(wǎng)格會(huì)有干濕網(wǎng)格之分,因此ConvLSTM也能從中學(xué)習(xí)到漫灘信息,從而實(shí)現(xiàn)漫灘預(yù)報(bào)。通過(guò)這樣的網(wǎng)絡(luò)設(shè)置,可以較為容易從FVCOM模擬的結(jié)果中生成樣本,每個(gè)樣本的輸入是起報(bào)時(shí)刻前3 h的SSH,標(biāo)簽是后3 h的SSH。將FVCOM模擬得到的歷史臺(tái)風(fēng)數(shù)據(jù)集,通過(guò)此方式進(jìn)行樣本制作,可以得到9 000多個(gè)樣本。將這些樣本按照8∶1∶1的比例劃分為可以得到訓(xùn)練集、驗(yàn)證集和測(cè)試集。在訓(xùn)練過(guò)程中,使用了Adam的優(yōu)化方式,如果經(jīng)過(guò)多個(gè)輪次訓(xùn)練后驗(yàn)證集的損失值仍未下降,則停止繼續(xù)訓(xùn)練。通過(guò)這一過(guò)程,得到了基于ConvLSTM的漫灘預(yù)報(bào)模型,其在測(cè)試集中的表現(xiàn)會(huì)展示在結(jié)果中。

上述的構(gòu)建方式實(shí)際上是完成了SSH的自回歸,因?yàn)椴](méi)有在其中直接輸入大氣強(qiáng)迫或其他信號(hào)。在這樣的構(gòu)建方式下,我們對(duì)模型期望是它能從輸入的SSH場(chǎng)中推算出大氣強(qiáng)迫可能對(duì)其造成的影響趨勢(shì),從而進(jìn)行預(yù)測(cè)。為了實(shí)現(xiàn)更好的預(yù)報(bào),我們嘗試搭建了第二個(gè)模型,在輸入中加入了海面風(fēng)場(chǎng)的信號(hào),結(jié)構(gòu)如圖3所示。為了方便描述,在下文中將這一模型稱(chēng)為模型二。模型二的結(jié)構(gòu)與在卷積核的選擇上與上一模型保持一致,但在第3層的ConvLSTM層中不再按照所有時(shí)序輸出,僅輸出最后的時(shí)序。相應(yīng)的,接收這一特征圖不再需要3維卷積層(Conv3D),使用2維的卷積層(Conv2D)即可完成調(diào)整。在模型二的輸入中,使用了4個(gè)時(shí)序的輸入,前3個(gè)為未來(lái)3 h的海面風(fēng)場(chǎng),最后一個(gè)為當(dāng)前時(shí)刻的SSH,輸出則是未來(lái)第3小時(shí)的SSH。這樣的設(shè)置是處于兩個(gè)方面的考慮,一方面是模仿數(shù)值模式的驅(qū)動(dòng)方式,利用初始場(chǎng)和時(shí)間變化的風(fēng)場(chǎng)驅(qū)動(dòng);另一方面是在實(shí)際的業(yè)務(wù)預(yù)報(bào)中,相較于3 h的SSH,海面十米風(fēng)場(chǎng)的預(yù)報(bào)要更容易獲得,其精度和分辨率都較高,而想獲得高時(shí)空分辨率的SSH數(shù)據(jù)幾乎是不現(xiàn)實(shí)的。在這樣的模型設(shè)置下,在訓(xùn)練和測(cè)試的過(guò)程中,除了要使用FVCOM模擬的結(jié)果外,還加入驅(qū)動(dòng)FVCOM的海表面風(fēng)場(chǎng)數(shù)據(jù)。我們盡量確保了驅(qū)動(dòng)FVCOM模式的海表面風(fēng)場(chǎng)資料和“驅(qū)動(dòng)”模型二的資料是一致的,以免產(chǎn)生額外的誤差使得訓(xùn)練難以進(jìn)行。在訓(xùn)練的過(guò)程中,使用的損失函數(shù)和優(yōu)化方案分別是平均絕對(duì)誤差(Mean Average Error,MAE)和Adam,訓(xùn)練至驗(yàn)證集損失值多輪次不下降后停止訓(xùn)練,然后再使用MSE作為損失函數(shù),利用SGD的優(yōu)化方式繼續(xù)訓(xùn)練,再次訓(xùn)練至驗(yàn)證集的損失值多輪次不再下降后停止訓(xùn)練。

圖3 模型二的結(jié)構(gòu)示意圖Fig.3 Schematic diagram of Model 2

2 FVCOM模擬結(jié)果

盡管FVCOM模擬的結(jié)果會(huì)關(guān)乎機(jī)器學(xué)習(xí)模型的訓(xùn)練質(zhì)量,FVCOM模擬的是否準(zhǔn)確至關(guān)重要,但對(duì)模式模擬結(jié)果的驗(yàn)證并非本研究的重點(diǎn),所以在此只展示模式模擬的某個(gè)臺(tái)風(fēng)過(guò)程作為驗(yàn)證示例。以2013年1311號(hào)臺(tái)風(fēng)“尤特”為例,該臺(tái)風(fēng)于2013年8月8日在菲律賓以東的西太平洋上生成熱帶低壓,并逐漸向西北方向移動(dòng);于8月12日穿過(guò)菲律賓進(jìn)入南海海域并增強(qiáng)至臺(tái)風(fēng)等級(jí),進(jìn)一步向中國(guó)大陸移動(dòng);于8月14日06:00(世界時(shí),下同)左右在廣東省陽(yáng)西市附近沿海登陸,登陸時(shí)中心附近最大風(fēng)力14級(jí)(42 m·s),登陸時(shí)中心氣壓955 hPa,其登陸前期給廣東各市帶來(lái)了大風(fēng)和強(qiáng)降水;登陸后其強(qiáng)度迅速減弱并最終消亡。圖4展示了該臺(tái)風(fēng)8月13—14日CFSv2再分析資料中的風(fēng)場(chǎng)和海表面氣壓信息,這一時(shí)間段很好地捕捉到了臺(tái)風(fēng)進(jìn)入研究區(qū)域到登陸時(shí)的過(guò)程,可以明顯看到臺(tái)風(fēng)明顯影響了珠江口以外的南海北部海區(qū),在海上移動(dòng)過(guò)程和登陸期間,其外部風(fēng)圈覆蓋住了珠江口,因此我們將這一臺(tái)風(fēng)過(guò)程選為驅(qū)動(dòng)FVCOM模式模擬的歷史風(fēng)暴潮漫灘過(guò)程之一。

圖4 1311號(hào)臺(tái)風(fēng)“尤特”的海表面風(fēng)場(chǎng)(箭矢;單位:m/s)和海平面氣壓場(chǎng)(彩色區(qū)域;單位:hPa):(a)13日12時(shí);(b)13日18時(shí);(c)14日00時(shí);(d)14日06時(shí)Fig.4 Sea surface wind field (arrows;units:m/s) and sea level pressure field (color areas;units:hPa) of Typhoon Utor (1311):(a)1200 UTC 13;(b)1800 UTC 13;(c)0000 UTC 14:(d)0600 UTC 14

圖5描述了FVCOM模式模擬的1311號(hào)臺(tái)風(fēng)“尤特”在珠江口引起的風(fēng)暴潮過(guò)程,與圖4所展示的時(shí)刻相對(duì)應(yīng)。模式此時(shí)已經(jīng)經(jīng)過(guò)7 d以上的穩(wěn)定過(guò)程,消除了初始場(chǎng)的影響,并且大氣和潮汐的驅(qū)動(dòng)信號(hào)都可以被完全相應(yīng)。雖然臺(tái)風(fēng)并沒(méi)有直接在珠江口區(qū)域登陸,但其外圍風(fēng)圈還是對(duì)珠江口區(qū)域造成了影響,引發(fā)風(fēng)暴潮增水和漫灘過(guò)程,在模式中被較好地模擬了出來(lái)。隨著臺(tái)風(fēng)不斷地靠近陸地,珠江口的水位不斷增長(zhǎng),尤其風(fēng)暴潮增水疊加天文潮在深圳與東莞交界處引起了漫灘過(guò)程,漫灘區(qū)域水位最高達(dá)到1.3 m左右;臺(tái)風(fēng)登陸后,沿岸的水位也隨之退去。

圖5 FVCOM模式模擬的1311號(hào)臺(tái)風(fēng)“尤特”登陸前后的海表面高度變化(單位:m):(a)13日12時(shí);(b)13日18時(shí);(c)14日00時(shí);(d)14日06時(shí)Fig.5 Sea surface height changes before and after landing of Typhoon Utor (1311) simulated by FVCOM model (units:m):(a)1200 UTC 13;(b)1800 UTC 13;(c)0000 UTC 14;(d)0006 UTC 14

為了驗(yàn)證模式模擬的結(jié)果,將FVCOM模式模擬的海表面高度與沿岸潮汐站點(diǎn)(大鵬灣、香港、桂山島)的實(shí)測(cè)數(shù)據(jù)進(jìn)行比較(圖6)。發(fā)現(xiàn)FVCOM模式模擬的結(jié)果與潮汐站點(diǎn)實(shí)測(cè)的水位不僅相位一致,振幅也相差不大。桂山島、香港、大鵬灣潮汐站(分布見(jiàn)圖1)分別于8月13日18:00、19:00和19:00觀測(cè)到臺(tái)風(fēng)引起的風(fēng)暴潮增水,水位分別達(dá)到0.54、0.75和0.45 m,FVCOM模式結(jié)果也得到了響應(yīng)的風(fēng)暴潮增水過(guò)程,桂山島、香港和大鵬灣潮汐站實(shí)測(cè)與模擬結(jié)果的相關(guān)系數(shù)分別為0.95、0.96和0.95,均方根誤差分別為0.12、0.10和0.1 m。桂山島和香港站點(diǎn)分別位于珠江口的中部和東部,模擬結(jié)果較好地復(fù)現(xiàn)這兩個(gè)驗(yàn)潮站的增水過(guò)程可以在一定程度上說(shuō)明,從珠江口進(jìn)出的水體總量在模式中模擬得比較準(zhǔn)確。通過(guò)把FVCOM模擬的結(jié)果與這些站點(diǎn)資料進(jìn)行比對(duì)可以說(shuō)明,FVCOM的模擬能較好地復(fù)現(xiàn)臺(tái)風(fēng)來(lái)臨時(shí)SSH升高以及漫灘的過(guò)程。

圖6 桂山島(a)、香港(b)、大鵬灣(c)潮汐站觀測(cè)的每小時(shí)海表面高度變化(藍(lán)色)及FVCOM模式結(jié)果(紅色)Fig.6 Hourly sea surface height changes from tide-gauge observations(blue) and FVCOM model results(red) at (a)Guishan Island,(b)Hongkong and (c)Dapeng Bay

3 ConvLSTM測(cè)試結(jié)果

上述FVCOM的驗(yàn)證結(jié)果可以說(shuō)明,FVCOM模擬的結(jié)果具有一定的準(zhǔn)確性,可以用于機(jī)器學(xué)習(xí)模型訓(xùn)練。依照方法中提及的數(shù)據(jù)集制作方法,制作了ConvLSTM的訓(xùn)練集、驗(yàn)證機(jī)和測(cè)試集。ConvLSTM經(jīng)過(guò)訓(xùn)練集數(shù)據(jù)的訓(xùn)練,訓(xùn)練至驗(yàn)證集的損失函數(shù)值不再下降后停止訓(xùn)練。將訓(xùn)練好的模型用于測(cè)試集測(cè)試,在測(cè)試集中取得了不錯(cuò)的表現(xiàn)。以1995年9月1日13—15時(shí)的預(yù)報(bào)結(jié)果為例展示于圖7。在這一樣本中,在近岸沿海區(qū)域發(fā)生了較大范圍的漫灘,而珠江口外部也呈現(xiàn)出海面高度上升的趨勢(shì),是一個(gè)典型的風(fēng)暴潮漫灘過(guò)程?？梢钥闯?ConvLSTM能較好地捕獲海表面高度的動(dòng)態(tài)變化特征,能做出和FVCOM相似的海面高度分布預(yù)測(cè)。在漫灘區(qū)域的預(yù)報(bào)方面,ConvLSTM也能較好地模擬出和FVCOM幾乎一致的海水蔓延上陸地的區(qū)域,漫灘的數(shù)值預(yù)報(bào)上與FVCOM相比也能維持在低于0.2 m的差,只在少數(shù)個(gè)別地區(qū)誤差達(dá)到0.4 m左右。在較為開(kāi)闊的海域,對(duì)于2 h和3 h的預(yù)報(bào)誤差并沒(méi)有顯著增大,反而有些區(qū)域存在誤差減少的情況。但在沿岸和發(fā)生漫灘的區(qū)域,誤差隨著預(yù)報(bào)時(shí)間的推移有所增加。在此個(gè)例的1 h預(yù)報(bào)中,ConvLSTM在絕大部分區(qū)域都低估了SSH;而在2 h的預(yù)報(bào)中,ConvLSTM則輕微高估了漫灘區(qū)域的海水高度;至3 h,低估和高估的情況并存。這一結(jié)果說(shuō)明了ConvLSTM模型的預(yù)報(bào)并不是普遍偏小或偏大。

圖7 FVCOM(a、d、g)與ConvLSTM(b、e、h)的漫灘預(yù)測(cè)結(jié)果及其差值(c、f、i;ConvLSTM減FVCOM):(a、b、c)1 h;(d、e、f)2 h;(g、h、i)3 hFig.7 Floodplain prediction results of (a,d,g)FVCOM and (b,e,h)ConvLSTM,and (c,f,i)their differences (ConvLSTM minus FVCOM):(a,b,c)1 h;(d,e,f)2 h;(g,h,i)3 h

為了進(jìn)一步評(píng)估考察ConvLSTM模型在全部測(cè)試樣本中的預(yù)報(bào)能力,我們?cè)谒袦y(cè)試樣本中分別計(jì)算了ConvLSTM的3 h預(yù)報(bào)結(jié)果與FVCOM之間的絕對(duì)誤差,并求樣本平均得到了兩者間MAE的空間分布(圖8)。從圖8中可以看到,對(duì)于珠江口和珠江口以外的相對(duì)開(kāi)闊的海域,誤差分布比較均勻,普遍維持在低于0.2 m的范圍內(nèi)。這表明模型對(duì)于大部分區(qū)域的SSH變化模擬效果都較好,且不會(huì)存在明顯的空間差異。而對(duì)于漫灘區(qū)域,ConvLSTM模型也做出了較好的預(yù)報(bào),大部分區(qū)域的誤差也能維持在0.4 m以下。更多的誤差是集中在沿海近岸的河流入?？趦蓚?cè)。

圖8 ConvLSTM預(yù)報(bào)樣本平均絕對(duì)誤差的空間分布:(a)1 h;(b)2 h;(c)3 hFig.8 Spatial distributions of mean absolute error (MAE) from ConvLSTM predictions:(a)1 h;(b)2 h;(c)3 h

將圖7的誤差結(jié)果和圖8結(jié)合對(duì)比后可以發(fā)現(xiàn),所選取的這一樣本符合所有樣本的平均水平。但在邊界區(qū)域,存在一定的特異性。從圖7可以看到,ConvLSTM模型在對(duì)于這一邊界的預(yù)報(bào)上表現(xiàn)得并不是很好,尤其是在南邊界中,出現(xiàn)了較為突兀的線狀預(yù)報(bào)結(jié)果。研究認(rèn)為這樣的誤差來(lái)源于關(guān)注區(qū)域以外的驅(qū)動(dòng)。由于訓(xùn)練和測(cè)試模型用的區(qū)域都是從FVCOM中切割出來(lái)的,如果在區(qū)域以外發(fā)生了較大的變化,但是信號(hào)仍未能傳輸至區(qū)域內(nèi)無(wú)法被ConvLSTM捕捉到,那在邊界上則可能會(huì)發(fā)生較大的誤差。換言之,圖7中的FVCOM結(jié)果是帶有邊界條件的,而ConvLSTM對(duì)于邊界上所做的預(yù)測(cè)都是基于區(qū)域內(nèi)的信號(hào)做外推得來(lái)的。但從圖8可以看到,這樣的誤差并沒(méi)有顯著發(fā)生在所有的樣本中,可以相信在絕大多數(shù)的條件下,盡管缺失有效的邊界條件,ConvLSTM模型也能在邊界上做出較為準(zhǔn)確的預(yù)報(bào)。

在上述的研究中,需要在機(jī)器學(xué)習(xí)預(yù)報(bào)的模型中考慮的因素還較少,下面討論加入新驅(qū)動(dòng)因素對(duì)預(yù)報(bào)結(jié)果的影響。當(dāng)研究風(fēng)暴潮漫灘過(guò)程時(shí),同時(shí)還有很多因素的影響:天文潮汐、波浪、海流或降水等(Kohno et al.,2018)。但是,使用和開(kāi)發(fā)數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)模型的其中一個(gè)重要原因是因?yàn)槠漭p便,如果需要完全加入考慮到的各種因素,其使用難度會(huì)不亞于一個(gè)動(dòng)力學(xué)預(yù)報(bào)模型。每一個(gè)因素的加入都需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練,需要耗費(fèi)大量的計(jì)算和存儲(chǔ)資源,所以研究的目標(biāo)是:在保障一定準(zhǔn)確性的前提下,使用盡量少的變量因素實(shí)現(xiàn)預(yù)報(bào)。但出于實(shí)驗(yàn)完備性的考慮,嘗試加入了海面十米風(fēng)場(chǎng)的信號(hào),以初步試驗(yàn)加入更多因素對(duì)預(yù)報(bào)結(jié)果的影響。在風(fēng)場(chǎng)資料中,臺(tái)風(fēng)的近中心最大風(fēng)速是臺(tái)風(fēng)強(qiáng)度的重要判據(jù)之一,臺(tái)風(fēng)風(fēng)圈范圍可提取出臺(tái)風(fēng)的半徑信號(hào),這些因素都可能直接或間接地對(duì)預(yù)報(bào)結(jié)果產(chǎn)生影響。

依照模型2的構(gòu)建方式,將驅(qū)動(dòng)FVCOM的10 m風(fēng)場(chǎng)資料也加入了機(jī)器學(xué)習(xí)模型的輸入中,試圖從中獲得大氣信號(hào)并對(duì)預(yù)報(bào)結(jié)果進(jìn)行一定的改善。模型2針對(duì)未來(lái)第3小時(shí)的SSH預(yù)報(bào)樣本平均絕對(duì)誤差如圖9所示,誤差計(jì)算的方式與結(jié)果部分的一致。對(duì)比圖9與圖8可知,加入風(fēng)場(chǎng)信息后,誤差的分布更為不均勻,在少部分較開(kāi)闊海域,模型2的誤差有些許減小,但對(duì)于極大部分的區(qū)域,模型2并未能顯著減少誤差,反而會(huì)稍有增大。對(duì)于漫灘區(qū)域,兩個(gè)模型的表現(xiàn)結(jié)果幾乎一致,沒(méi)有太明顯的差距。而對(duì)于誤差較大的近岸沿海和徑流兩側(cè)的區(qū)域,模型2也未能對(duì)其進(jìn)行較為有效的改進(jìn),有些區(qū)域還存在誤差增加的情況。這從側(cè)面印證了這些誤差的主要原因還是來(lái)自海洋要素,風(fēng)場(chǎng)的加入無(wú)法提供有效的信息支撐,而隨著SSH輸入時(shí)長(zhǎng)的減少,模型能從中提取出潛在包含的徑流和地形信息更少,導(dǎo)致這些區(qū)域的誤差進(jìn)一步增大。

圖9 模型二預(yù)報(bào)樣本MAE的空間分布(單位:m)Fig.9 Spatial distribution of MAE from Model 2 predictions (units:m)

4 結(jié)論和討論

在本研究中,分別使用了動(dòng)力驅(qū)動(dòng)的數(shù)值模式FVCOM和數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)模型ConvLSTM進(jìn)行了風(fēng)暴潮的漫灘預(yù)報(bào)研究。使用ERA-40和CFSR再分析資料驅(qū)動(dòng)FVCOM,模擬了歷史影響珠江口的臺(tái)風(fēng)過(guò)程,以此構(gòu)建供機(jī)器學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)集。通過(guò)上文展示的結(jié)果,可以得出結(jié)論,經(jīng)過(guò)訓(xùn)練后的ConvLSTM模型可以很好地復(fù)現(xiàn)FVCOM模擬的漫灘情況,對(duì)漫灘的區(qū)域和SSH分布可以做出較好的預(yù)測(cè)。相較于動(dòng)力驅(qū)動(dòng)模型的復(fù)雜,ConvLSTM顯得更為輕便,在邊界條件、地形、徑流和大氣驅(qū)動(dòng)信號(hào)都未知的情況下,僅需要3小時(shí)的SSH輸入,就可以做出較好的短臨預(yù)報(bào)。盡管在缺失邊界的條件的情況下,在某些個(gè)例中會(huì)出現(xiàn)邊界區(qū)域預(yù)報(bào)較差的情況,但這并非是普遍存在于所有樣本中,在樣本平均的誤差分布中,在邊界上并無(wú)明顯的增加。因此可以得出結(jié)論,ConvLSTM能較好地完成包括邊界在內(nèi)的全場(chǎng)預(yù)報(bào)。ConvLSTM的預(yù)報(bào)的誤差主要集中在近海沿岸區(qū)域,尤其是河道兩側(cè)。推測(cè)這是由于地形和徑流資料的缺失所導(dǎo)致的。實(shí)際上,精細(xì)的海堤特性、陸地高程、陸地地塊屬性等資料的缺失也一直是制約更高分辨率的風(fēng)暴潮漫灘數(shù)值模式發(fā)展的原因之一。ConvLSTM在沒(méi)有地形資料支持的情況下仍能做出較為準(zhǔn)確的漫灘預(yù)報(bào),給了一定的啟發(fā)性,說(shuō)明使用數(shù)據(jù)驅(qū)動(dòng)的預(yù)報(bào)模型,可以在一定程度上忽視漫灘預(yù)報(bào)中精細(xì)地形資料的需求。

盡管使用自回歸模型進(jìn)行預(yù)報(bào)已經(jīng)在模型二的研究中,選用了風(fēng)場(chǎng)作為新增輸入以考察增加大氣要素對(duì)模型預(yù)報(bào)結(jié)果的優(yōu)化效果。結(jié)果顯示,風(fēng)場(chǎng)的加入并沒(méi)有對(duì)預(yù)報(bào)結(jié)果有較好的改善。為了進(jìn)一步探討產(chǎn)生這一結(jié)果是歸因于過(guò)多的無(wú)效信號(hào)引入還是歸因于大氣信息的輸入不足,研究構(gòu)建了一個(gè)新的模型使其可以輸入海表面氣壓場(chǎng)(Sea Level Pressure,SLP)。在已有的模型二的輸入端,每一個(gè)時(shí)序的輸入都加入了新的通道。在模型二中輸入風(fēng)場(chǎng)的層,都會(huì)和SLP在通道維上堆疊共同輸入,原SSH輸入則保持不變。模型的卷積核大小、個(gè)數(shù)、層數(shù)、激活函數(shù)和輸出等均與模型二保持一致。將這個(gè)雙通道輸入的能提取SLP信號(hào)的模型稱(chēng)之為模型三。利用和模型二一致的訓(xùn)練策略,僅在數(shù)據(jù)集中加入對(duì)應(yīng)驅(qū)動(dòng)數(shù)值模型的SLP,得到了模型三。將模型三運(yùn)用于增加了SLP的測(cè)試集進(jìn)行測(cè)試,其樣本平均MAE空間分布如圖10所示。

圖10 模型三預(yù)報(bào)樣本MAE的空間分布(單位:m)Fig.10 Spatial distribution of MAE from Model 3 predictions (units:m)

與其他兩個(gè)模型的誤差分布區(qū)間較為相似地,圖10展示的模型三樣本平均MAE也都在普遍低于0.2 m部分可達(dá)0.4 m的程度。通過(guò)對(duì)比圖9和圖10可以發(fā)現(xiàn),模型二和模型三的樣本平均MAE分布非常相似,僅在少許區(qū)域模型三的誤差有所減少。顯然,增加SLP作為預(yù)報(bào)因子,并不能有效提高模型二的預(yù)報(bào)水平。這個(gè)實(shí)驗(yàn)說(shuō)明,一味地增加大氣信號(hào)也并不能對(duì)此數(shù)據(jù)驅(qū)動(dòng)模型再有較好的改善作用。在信號(hào)缺失的條件下,利用大氣驅(qū)動(dòng)加海洋初始場(chǎng)的預(yù)報(bào)并不能優(yōu)于針對(duì)漫灘過(guò)程的自回歸預(yù)報(bào)。

綜上所述,在本研究中,主要基于ConvLSTM機(jī)器學(xué)習(xí)算法進(jìn)行風(fēng)暴潮漫灘預(yù)報(bào)研究,可以采用兩種預(yù)報(bào)方式,一種是基于SSH的自回歸預(yù)報(bào),另一種是依賴(lài)大氣信號(hào)和初始海表面高度場(chǎng)進(jìn)行預(yù)報(bào),基于SSH的自回歸預(yù)報(bào)效果更優(yōu)。相較于傳統(tǒng)動(dòng)力學(xué)數(shù)值預(yù)報(bào),其結(jié)構(gòu)更為輕便,所需要的驅(qū)動(dòng)數(shù)據(jù)更少,在缺少邊界條件、地形、徑流等信號(hào)時(shí),仍能基本復(fù)現(xiàn)模式模擬的結(jié)果,可以供業(yè)務(wù)部門(mén)用作短臨預(yù)報(bào)的參考。通過(guò)討論發(fā)現(xiàn),企圖導(dǎo)入更多的因素至數(shù)據(jù)驅(qū)動(dòng)模型中并不一定能顯著地提升其漫灘預(yù)報(bào)水平。如何在數(shù)據(jù)驅(qū)動(dòng)的預(yù)報(bào)模型中以更少的數(shù)據(jù)導(dǎo)入更多的信號(hào),從而更有效地訓(xùn)練模型,還需要進(jìn)一步地研究。

NCEP、ECMWF提供了CFSR、ERA資料的在線下載服務(wù),Kenny T.C.Lim Kam Sian先生為本文數(shù)據(jù)獲取和英文寫(xiě)作提供了幫助。謹(jǐn)致謝忱!