Storm surge forecasts from a global tide-gauge network
本文介绍了一种基于 760 个验潮站训练的全球深度学习模型，该模型能够成功预测未见位置的风暴增水，其准确度显著高于持续性预报和全球水动力再分析资料，证明了预报能力随训练验潮站的多样性和数量而提升。
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
沿海洪水是一个复杂的威胁，但其最致命的组成部分往往是风暴潮：即由风力和气压推向岸边的水墙。与由地震引发的海啸不同，风暴潮是对天气变化的直接反应。对于居住在海洋边缘的社区而言，了解这道水墙何时抵达以及会涨多高，是生死攸关的大事。然而，预测这些事件的能力并非平等分配。拥有专门资金和先进计算机模型的富裕国家可以发布可靠的预警，而世界上广袤的海岸线，特别是发展中国家和小岛屿国家，仍然没有任何本地化的预报指导。在预警能力存在差异的情况下，数以百万计的人口正面临着由于海平面上升而日益加剧的危险。
几十年来，科学家们一直依赖大规模的、基于物理学的计算机模拟来模拟这些风暴潮。这些模型试图重建整个海洋和大气层，计算风力和压力如何与海底地形相互作用。虽然功能强大，但这些模拟计算成本极高，且需要持续的高质量数据才能运行。因此，它们往往无法为地球上的每一条海岸线提供所需的特定局部指导。近年来，一种不同的方法应运而生：利用人工智能从历史数据中学习模式。然而，以往的大多数尝试都受到了限制。它们只能预测训练过的特定位置的风暴潮，或者依赖于无法反映海洋复杂现实的合成数据。挑战依然存在：一个单一的模型能否通过学习全球整个潮汐计网络的数据，然后成功预测它从未见过的地点的风暴潮？
在一项新的研究中，研究员 Heshan Chen 和 Andrew Kruczkiewicz 试图通过构建一个基于全球 760 个潮汐计网络进行训练的模型来回答这个问题。他们不仅训练模型识别这些特定位置的模式，还测试了其对 84 个不同潮汐计以及完全未参与训练过程的整个区域进行预测的能力。这被称为“零样本”（zero-shot）测试，这是预测科学中的一项严格标准，旨在询问一个系统是否能够将其知识泛化到全新的环境中。结果令人瞩目。该模型成功预测了 84 个测试潮汐计中的 81 个，在几乎所有地点都击败了被称为“持续性”（persistence）的简单方法——该方法假设水位将保持现状。这包括了从非洲到南美洲的每一个有人居住的大陆上的潮汐计，证明了该模型学习到了风暴推动水分的底层物理机制，而不仅仅是记忆了局部历史。
研究人员发现，模型的成功在很大程度上取决于其输入数据的多样性。仅仅拥有大量的训练潮汐计是不够的；这些潮汐计必须代表不同类型的海岸线和风暴行为。当团队在从未见过的区域（如欧洲或日本）测试模型时，模型表现良好，但其准确性取决于这些特定海岸环境在训练集中的代表程度。例如，由于该类海岸在训练数据中较少见，模型在处理北海独特的风驱动型风暴潮时表现得略显吃力。然而，当他们通过增加来自世界不同部分的潮汐计来提高训练集的多样性时，模型在这些陌生区域的预测能力显著提升。这表明，全球预测的关键不仅在于更多的数据，更在于能捕捉海洋对天气反应之全貌的多样化数据。
该研究的一个关键部分涉及在现实条件下测试模型。虽然最初的测试使用了完美的历史天气数据以观察模型的潜力，但研究人员还使用了包含误差和不确定性的实际天气预报数据进行测试。即使在这些不完美的输入下，模型仍保留了五分之四的技能，在 79 个潮汐计中的 72 个上依然优于简单的持续性方法。对于实际应用而言，这是一个至关重要的发现，因为它证明了该系统可以处理现实预报员实际拥有的不完美数据。模型还表明，拥有实时的本地水位监测数据是其最重要的信息来源。当模型获得特定潮汐计的当前水位时，其准确性大幅跃升。如果没有这种本地观测，模型虽然表现仍优于随机概率，但无法达到那种在预报开始瞬间精准掌握水位状况的精度。
研究还将这种新型人工智能方法与目前作为风暴潮预报金标准的全球最佳物理模型进行了对比。在给予两者相同本地水位观测值的对比测试中，在 8 小时提前量的情况下，AI 模型在常规条件下更为准确。在最剧烈的风暴期间，两个系统的表现相似，难分伯仲。然而，物理模型在特定环境下仍具有优势，例如在半封闭的波罗的海，那里的风暴潮是由整个海盆的风向模式驱动的，而非仅由单点驱动。这凸显了虽然 AI 模型是一个强大的新工具，但它并不能在所有情况下取代物理模型。相反，两者是互补的：AI 模型提供了一种为许多目前缺乏预报能力的海岸线带来高质量、局部化预报的方法，而物理模型对于复杂的、大规模的海洋动力学过程仍然至关重要。
这项工作最具实践意义的一点是，该模型不仅能提供单一的预测，还能提供一系列的可能性。研究人员训练模型输出一个“概率包络线”（probability envelope），告知预报员水位达到特定高度的可能性。虽然模型的单点预测有时会低估最极端风暴中的绝对峰值，但其概率包络线的校准非常出色。它成功覆盖了风暴期间的大部分时间，为应急管理人员提供了可靠的风险感知。尽管在某些极端事件中，包络线未能捕捉到绝对的最高峰值，但它比单纯假设水位保持现状提供了更清晰的危险图景。这种概率信息正是做出疏散和资源分配决策时所必需的。
这项研究的影响远超模型的各种技术细节。这是首次有证据表明，只要有潮汐计提供起点，就可以为世界上任何海岸线生成高水平的局部风暴潮预报。这种能力可能会从根本上改变早期预警系统的构建方式，特别是对于那些在历史上被排除在全球预报网络之外的最不发达国家和小岛屿国家。研究人员强调，拥有预报只是第一步；将预报转化为挽救生命的预警需要地方治理、资金支持以及行动能力。然而，通过消除对每个海岸都需要建立本地物理模型的这种技术壁垒，这项工作为实现更公平的安全分配打开了大门。研究结论指出，未来的路径在于继续扩大全球潮汐计网络，并完善这些模型以覆盖剩余的海岸多样性缺口，从而确保下一代预警能够触达每一个人，无论他们生活在哪里。
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。