利用分层深度神经网络推进风暴潮时空预测

北美沿海地区面临由飓风和东北风暴引起的风暴潮的重大威胁。传统的数值模型虽然准确，但计算成本高昂，限制了其在实时预测中的实用性。近年来，深度学习技术已被开发用于高效模拟随时间变化的风暴潮。为了在长时间和大面积范围内解析风暴潮在时间和空间上的小尺度特征，这些模拟通常需要使用过大的神经网络，而这些网络难以应对连续时间步长上预测误差的累积。为了解决这些挑战，本研究引入了一种结合卷积自编码器（CAE）的分层深度神经网络（HDNN），以准确高效地预测风暴潮时间序列。CAE降低了风暴潮数据的维度，简化了学习过程。然后，HDNN将风暴参数映射到风暴潮的低维表示，从而允许在不同时间尺度上进行序列预测。具体来说，利用当前级别的神经网络以相对较大的时间步长预测未来状态，这些状态作为输入传递给下一级别的神经网络，用于更小时间步长的预测。此过程对所有时间步长依次进行。然后，将来自不同级别神经网络在不同时间步长的结果堆叠起来，以获得完整的风暴潮时间序列。最后，将模拟的低维表示解码回风暴潮时间序列。所提出的模型使用来自北大西洋综合海岸研究的合成数据进行训练和测试。结果表明，该模型在有效处理高维风暴潮数据的同时，能够减轻预测误差随时间的累积，使其成为推进风暴潮预测的有前景的工具。