彩色风暴浪潮：基于RGB编码的物理感知深度学习风暴浪潮预测
计算工程、金融与科学
2025-06-30 v1 机器学习
摘要
风暴潮预测在海岸灾害准备中发挥着关键作用，但现有机器学习方法常受限于空间分辨率、依赖海岸站数据且泛化性差。此外，许多先前模型直接处理非结构化空间数据，与现代深度学习架构不兼容。本文提出一种新方法，将非结构化水位场投影到结构化的红绿蓝（RGB）编码图像表示上，实现卷积长短期记忆（ConvLSTM）网络用于端到端时空风暴潮预测。模型进一步将真实风场作为动态条件信号，结合地形-洞穴深度信息作为静态输入，捕捉风暴潮演变的物理驱动因素。在墨西哥湾大规模合成风暴数据集上评估，本方法在德克萨斯州多座海岸地区展现出稳健的48小时预测性能，并在其他海岸地区展现出良好的空间可扩展性。通过结合结构化表示、物理驱动因素和可扩展深度学习，本研究推动了风暴潮预测在可用性、可适应性和可解释性方面的发展。
引用
@article{arxiv.2506.21743,
title = {Storm Surge in Color: RGB-Encoded Physics-Aware Deep Learning for Storm Surge Forecasting},
author = {Jinpai Zhao and Albert Cerrone and Eirik Valseth and Leendert Westerink and Clint Dawson},
journal= {arXiv preprint arXiv:2506.21743},
year = {2025}
}