机器学习和深度潜在替代模型加速热带气旋波高估计

《Ocean Engineering》：Accelerating tropical cyclone wave height estimation via machine learning and deep latent surrogates

本文针对传统基于偏微分方程的波浪模型（如SWAN、WAVEWATCH III、MIKE21）在估算热带气旋引起的有效波高时计算成本高昂的问题，提出了一种结合机器学习与深度学习的快速替代模型框架。研究人员通过过采样、定制损失函数和主成分分析（PCA）降维等策略，显著改善了模型对极端波高值的低估。研究结果表明，提出的PCA-TCN-LSTM深度潜在替代模型在保持高精度的同时（R2= 0.97），将计算时间从数小时缩短至数秒，为实时海岸灾害评估和气候韧性建设提供了实用工具。

　　

热带气旋（TCs）是沿海地区最主要的破坏力量之一，其带来的狂风、暴雨、风暴潮和巨浪给社会经济和环境造成巨大损失。准确预测热带气旋期间的海浪高度，特别是有效波高（H_s），对于海上作业安全、沿海工程设计和灾害风险管理至关重要。长期以来，科学家和工程师依赖基于物理方程的数值模型，如SWAN、WAVEWATCH III和MIKE21，来模拟和预测海浪。这些模型虽然精度较高，但一个显著缺点是计算极其耗时。运行一次高分辨率的模拟可能需要数十小时甚至数天，这在需要快速响应的灾害预警场景中是一个致命短板。此外，随着概率风险评估和大量情景模拟需求的增加，传统模型的计算瓶颈更加凸显。因此，开发一种既能保持高精度、又能实现秒级预测的轻量化工具，成为海岸工程和灾害管理领域的迫切需求。正是在这一背景下，一项发表在《Ocean Engineering》上的研究，探索了利用机器学习（ML）和深度学习（DL）技术来构建快速替代模型（Surrogate Model） 的新路径。

为了构建这些替代模型，研究人员主要采用了以下几项关键技术方法：首先，研究基于MIKE21数值模型对南佛罗里达州沿海区域约430条合成热带气旋轨迹进行了高保真模拟，生成了包含风速、风向、水深地形和有效波高等数据的时空数据集。其次，研究设计了两种建模范式：一是基于点训练的树集成模型，包括随机森林（RF） 和XGBoost，用于针对近岸特定位置的波高估计；二是时空深度学习模型，包括CNN-LSTM和创新的PCA-TCN-LSTM架构，用于捕捉整个研究区域的复杂时空依赖关系。最后，针对模型普遍低估极端波高的问题，研究引入了专门的数据预处理和建模策略，如对罕见极值进行过采样、设计偏向高影响事件的加权损失函数，以及利用主成分分析（PCA） 将数据投影到潜在空间（Latent Space）以平衡输入分布。

研究结果通过多个维度进行了系统展示和比较。

4.1. 基于树的近岸点模型性能评估

点基础的随机森林和XGBoost模型展示了稳健的基线精度。其中，XGBoost模型在估计超过3米的极端波高时表现更优，其偏差（Bias >3m）仅为-0.01，而随机森林为-0.16。这主要归功于XGBoost中集成的定制加权损失函数，该函数对高波高估计错误施加了更高惩罚。此外，对极端事件采用0.5的过采样比例被证明是最优策略，显著降低了极端事件估计的均方误差。

4.2. 时空方法性能

时空深度学习模型的评估采用了严谨的五折交叉验证策略。结果表明，提出的PCA-TCN-LSTM深度潜在替代模型在所有评估指标上均显著优于基线CNN-LSTM模型。它在整体精度（R²= 0.9737）、均方误差（MSE = 0.1296）和极端波高峰值误差（Max MSE = 0.3774）方面都表现更好。模型优异性能的关键在于PCA降维，它将高度右偏的原始波高数据分布转换为潜在空间中更对称的分布，使模型能更专注于捕捉对波高估计最关键的特征。在空间性能上，深度潜在模型在182个网格点中的107个上表现最佳，显示出更广泛的空间泛化能力。同时，研究还探讨了主成分数量对模型性能的影响，发现性能在包含约10-25个主成分后趋于稳定，表明大部分有效信息存在于一个低维子空间中。

4.3. 点基础与时空方法比较

通过对比点基础XGBoost模型和时空深度潜在替代模型在极端风暴事件中两个近岸位置的波高估计，研究发现两者各有优劣。XGBoost在数据代表性好的特定位置能更精确地捕捉波高峰值，但其无法建模空间依赖性，限制了其在复杂地理区域上的泛化能力。而深度潜在模型能够同时估计所有网格点的波高，保持了物理一致性，更适合于区域尺度的风险评估。

在计算效率方面，替代模型展现了巨大优势。对于研究区域，传统的MIKE21模拟每次风暴事件约需40小时（CPU集群），而机器学习与深度学习模型对所有测试风暴事件的波高估计仅需数秒，模型训练在个人电脑CPU上也只需不到一小时。这种计算成本的数量级降低，使得对大量风暴情景进行快速概率风险评估成为可能。

研究的结论与讨论部分指出，本研究表明替代模型可以显著提升热带气旋期间风浪转换的有效波高估计的可扩展性，同时保持高精度。提出的PCA-TCN-LSTM深度潜在替代模型在估计性能和计算效率之间取得了最佳平衡。然而，模型在水深地形变化剧烈的区域仍存在挑战，倾向于低估峰值波高，这可能是由于将可变分辨率的模拟数据统一到标准网格时丢失了精细尺度信息所致。未来的工作可以探索使用图神经网络（GNNs） 来处理不规则网格，或引入物理信息约束来增强模型的鲁棒性。此外，替代模型的精度上限受限于其学习的数值模型（如MIKE21）本身的系统偏差。

综上所述，这项研究为海岸灾害的实时、低成本风险评估提供了强有力的新工具。其开发的快速替代模型框架，不仅能够服务于科学家和工程师，也能让非政府组织、再保险公司和灾害应急部门在热带气旋来袭时，进行快速的场景筛查和决策支持，从而增强沿海社区的气候韧性，提升灾害减缓措施的有效性。