基于ConvLSTM机器学习的风暴潮漫滩预报研究

风暴潮是指由强烈的大气扰动所导致的海面异常升高现象,由热带气旋引起的风暴潮常对沿海地区造成巨大的社会经济、人类活动和生命财产危害。依靠数据驱动的强非线性映射能力的机器学习方法较传统数值模式预报在耗费研究资源和计算时间上更具优势。本文选取广东省珠江口为研究区域,基于卷积长短时记忆网络（Convolutional LSTM network,ConvLSTM）机器学习算法展开风暴潮漫滩预报研究,利用由再分析资料驱动的数值模式产品构建了历史台风漫滩数据集,用于机器学习模型训练、验证和测试。研究了两种预报方式,一种是基于海表面高度场的自回归预报,另一种是依赖预报风场和初始海表面高度场进行的预报;它们可以实现基于数据驱动的风暴潮漫滩预报,其中自回归预报模型表现更优。相较于传统动力学数值预报,基于数据驱动的ConvLSTM预报模型结构更为轻便,所需驱动数据更少,在缺少边界条件、地形、径流等信号时,在短临预报中仍能基本复现数值模式模拟的结果。     

一个中国边缘海的风-浪-流预报系统

海洋预报是进行海上活动的安全保障,海洋预报系统技术已经成为现代海洋气象业务的技术支撑。海洋观测、数据同化、数值模拟和高性能计算机等技术的进步极大地推动着海洋业务化预报的发展。采用大气数值模式（WRF）、海洋数值模式（CROCO）和海浪数值模式（SWAN）的多模式高分辨率离线耦合方式,添加南京信息工程大学“海洋数值模拟与观测实验室”团队自主研发的一系列海洋模式参数化方案,包括浪致混合参数化方案、亚中尺度参数化方案、海山诱导混合参数化方案以及涡旋诱导的沿等密度面和跨等密度面混合参数化方案,并通过同化技术和最新的人工智能技术与观测资料相结合,构建一种面向中国边缘海的风浪流多参数耦合预报系统,用于海上风电功率的预报和其他海洋灾害预警。实际观测资料的验证表明,该预报系统能较准确地模拟海上风场、海流、海温、波浪、潮汐等海洋气象要素。同时实现了按需实时可视化全景展示。