From regional to global: a typhoon-aware adaptive graph transformer for cross-basin tropical cyclone-induced storm surge forecasting
本文介绍了 ST-GNNFormer SurgeCast，这是一个全局自适应图 Transformer 框架，它成功地将所有大洋盆地的热带气旋引发的风暴潮预报统一到了单个模型中，展示了在数据稀缺区域的鲁棒泛化能力，并在再分析数据和独立的原位观测数据上均实现了高预测精度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年，热带气旋都会席卷全球海洋，在冲向海岸线之前不断积聚力量并提升速度。当这些风暴袭击陆地时，它们带来的不仅仅是狂风和暴雨；它们还会将巨大的海水墙推向岸边，形成风暴潮，从而淹没低洼社区并摧毁基础设施。几十年来，科学家们一直试图精确预测这些水位的上升高度。传统的方法涉及构建复杂的计算机模型，来模拟海洋和大气物理过程。虽然这些模型很准确，但运行起来极其沉重，需要超级计算机和数小时的计算时间，这使得它们难以用于快速、广泛的预警。近年来，研究人员转向人工智能，试图寻找一条更快的路径，通过教计算机识别过去风暴的模式来预测未来的风暴潮。然而，大多数这类智能模型都有一个显著缺陷：它们被训练为仅适用于特定地点，例如墨西哥湾或日本海岸。如果一场风暴袭击了一个模型从未经过训练或数据匮乏的地区，系统往往会失效，导致这些脆弱地区缺乏可靠的预报。
一支研究团队现在开发出了一种能够打破这种地域限制的新方法。他们创建了一个统一的单一人工智能系统，能够预测全球任何地方的风暴潮，从西太平洋的多台风海域到南太平洋的气旋路径。该系统名为 ST-GNNFormer SurgeCast，其训练基于涵盖 1993 年至 2018 年间二十六年风暴历史的海量全球数据集。该模型并非学习单一海湾的独特地理特征，而是学习理解风暴与海岸线相互作用的普遍规律。它通过将全球海岸线视为一个由观测点（即潮汐计）组成的连接网络，而非孤立的地点来实现这一点。通过分析一个站点的水位变化如何与其他站点相关联，以及这些变化如何滞后于经过的风暴及其气压，该模型即使在从未见过风暴的地方也能推断出正在发生的情况。
这个新系统的核心是一个巧妙的机制，使它能够适应每一次遇到的风暴。当热带气旋形成时，模型不仅仅观察风暴的位置；它还会动态地重新构建其对哪些海岸观测站最为相关的内部理解。它能识别出，某一海域的风暴可能会影响一组特定的潮汐计，而另一海域的风暴则会影响完全不同的观测组。这种灵活性使模型能够将注意力集中在对该特定事件最重要的区域，从而有效地实现对危险区域的“缩放”，而无需针对新区域进行重新训练。研究人员在五个不同海洋盆地的数千场风暴事件中测试了这个全球模型。结果显示，该系统能够以极高的准确度预测水位，在全球范围内的平均误差小于五厘米。即使是在传统模型因缺乏本地训练数据而经常面临挑战的数据稀缺地区（如北印度洋和南太平洋），这种精准度依然保持不变。
为了确保模型不仅仅是在死记硬背训练数据，研究人员将其预测结果与不属于训练集的潮汐计实测数据进行了对比。他们发现，该人工智能的表现几乎与最先进的基于物理的数值模型一样出色，但计算成本仅为后者的一小部分。该系统还证明了其具备更长远的前瞻能力，能够提供长达 48 小时的可靠预报，尽管随着预报窗口的延长，准确度自然会有所下降。在针对特定灾难性风暴（如 2010 年的超强台风“美姬”）的案例研究中，该模型成功捕捉到了那些常令应急管理人员措手不及的极端峰值。它能够以高度的置信度预测水位的发生时间和高度，表现优于那些仅关注空间或仅关注时间的简单模型。
尽管取得了这些成功，研究人员仍谨慎地指出其工作的局限性。该模型专门为热带气旋设计，目前尚不适用于受不同大气力量驱动、袭击欧洲和北美海岸的冬季风暴。此外，虽然该模型能很好地处理广泛的地理模式，但在海岸线极其复杂的地区（例如中国浙江和福建省错综复杂的岛链）有时会遇到困难，因为当地的地形对水流行为有着巨大的影响。尽管如此，这项工作代表了灾害预报方式的一次重大转变。通过从一系列孤立的区域性工具转向单一的、具有全球适应性的系统，研究人员证明了人工智能可以学习风暴的通用语言。这为向全球沿海社区提供高质量、救命的预警打开了大门，包括那些历史上缺乏建设自身精密预报系统资源的开发中国家。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。