文献类型：期刊文章

作　　者：谢文鸿[1] 徐广珺[2,3] 董昌明[1,2]

XIE Wenhong;XU Guangjun;DONG Changming(Oceanic Modeling and Observation Laboratory,Nanjing University of Information Science and Technology,Nanjing 210044,China;Southern Marine Science and Engineering Guangdong Laboratory(Zhuhai),Zhuhai 519000,China;College of Electronic and Information Engineering,Guangdong Ocean University,Zhanjiang 524088,China)

机构地区：[1]南京信息工程大学海洋数值模拟与观测实验室,江苏南京210044 [2]南方海洋科学与工程广东省实验室(珠海),广东珠海519000 [3]广东海洋大学电子与信息工程学院,广东湛江524088

出　　处：《大气科学学报》

基　　金：南方海洋科学与工程广东省实验室(珠海)资助项目(SML2020SP007);江苏省自然资源发展专项资金(海洋科技创新)项目(JSZRHYKJ202102);广东省海洋经济发展(海洋六大产业)专项资金项目(粤自然资合[2020]049)

年　　份：2022

卷　　号：45

期　　号：5

起止页码：674-687

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CSCD、CSCD_E2021_2022、JST、ZGKJHX、核心刊

摘　　要：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。

关 键 词：风暴潮 ConvLSTM  机器学习  数据驱动预报  

分 类 号：TP181] P731.23]