在台风影响下，用于多站点风暴潮预报的具有因果意识的时空图注意力建模

《Coastal Engineering》：Causality-aware spatiotemporal graph attention modeling for multi-station storm surge forecasting under typhoon forcing

台风潮预测中基于因果推理的动态图注意力模型研究，提出TGAT框架融合物理信息流与时空依赖建模，实现多站点长时序预报。

　　

孙海|严月|曲源|姚万翔|王慧倩|褚亚楠|梁秉辰

中国海洋大学工程学院，青岛，266404，中国

摘要

风暴潮是破坏性最强的沿海海洋灾害之一，常常导致堤坝溃决和严重的城市洪水。尽管基于物理的数值模型具有高精度，但其高昂的计算成本限制了实时预测的能力，而传统的数据驱动方法无法充分捕捉风暴诱导的水动力过程中的动态时空相互作用。本研究开发了一种基于因果关系的动态图注意力框架（TGAT，即Causal-Aware Temporal Graph Attention Network），用于台风引发的风暴潮预测，该框架与物理上的风暴潮传播机制和时间调整机制保持一致。TGAT利用Liang-Kleeman信息流构建一个有方向性和可解释性的动态图，采用GATv2捕捉非平稳的空间相关性，并应用GRU来模拟风暴潮演变的有限动态记忆。关键的风暴因素，包括路径、中心气压和风速，被作为外部气象强迫纳入模型。实验结果表明，TGAT在连续水位模拟和极端峰值风暴潮预测方面表现优异。对于1步（15分钟）、8步（2小时）和16步（4小时）的预测，整体RMSE值分别为0.034、0.041和0.069米，R2值分别为0.979、0.970和0.918，MAE值分别为0.026、0.030和0.054米。在峰值风暴潮预测中，PEpeak值分别为0.081、0.068和0.184米，ΔTpeak值分别为1.4、0.8和2.0步，明显优于SVR和LSTM模型。消融研究证实，因果图构建、自适应边权重和台风强迫输入有效降低了预测误差，尤其是在4小时预测中。此外，TGAT能够捕捉地形约束下的各向异性风暴潮传播，并与物理水动力调整时间尺度保持一致。这种具有物理解释性的时空模型能够准确描述峰值风暴潮的特征和演变过程，为实时多站风暴潮预测和沿海预警提供了可靠的支持。

引言

由于持续的气候变化和极端天气事件频率的增加，全球自然灾害的发生率持续上升（Mayo和Lin，2022）。由热带或温带气旋引发的风暴潮是影响沿海地区最具破坏性的海洋灾害之一。其强度主要源于气旋驱动的大气压力亏缺和风应力，这些因素会抬高沿海水位，并在与天文潮汐的非线性相互作用下进一步放大，导致潮汐溢出、堤坝溃决和大规模城市洪水（Ganaie等人，2025）。统计数据显示，中国每年平均经历8-9次台风事件，这些事件经常伴随着影响从南海到渤海沿海地区的风暴潮（Shi等人，2024b）。然而，台风路径和强度的高度不确定性显著增加了风暴潮预测的复杂性，因为风暴方向的快速变化和登陆位置的变化常常导致难以近实时预测的局部风暴潮。随着全球变暖导致的海平面上升和气旋活动的加剧，风暴潮风险持续上升，对脆弱的沿海地区构成了越来越严重的挑战（J?rges等人，2023）。因此，提高风暴潮预测的准确性和开发响应性的预警策略是沿海灾害预防的关键优先事项（Martinez，2020；Wang等人，2022，2023c）。

当前的预测方法主要依赖于两种途径：数值模拟和数据驱动方法。传统的数值模型，如SLOSH、DELFT3D、MIKE21、POM、ECOM、FVCOM、ELCIRC和ADCIRC，由于其物理一致性和可解释性，长期以来一直是风暴潮预测的核心工具。这些模型明确模拟了包括风应力、斜压强迫、底部摩擦和潮汐传播在内的关键水动力过程，并被广泛认为是极端风暴潮事件事后评估的可靠参考（Wang等人，2021；Ying等人，2022；Shi等人，2022）。然而，它们的高计算需求和复杂的边界条件导致了操作预测中效率和及时性之间的固有权衡，需要频繁更新（Wei，2021）。

早期的研究证实了数据驱动方法的可行性，例如使用循环神经网络进行单站潮汐预测（Yang等人，2021）。同时，专注于计算效率的研究表明，可以根据气旋轨迹快速估计峰值风暴潮（Lee等人，2021）。为了进一步提高预测性能，引入了更先进的模型架构。研究表明，编码器-解码器LSTM网络可以优于传统的卷积神经网络（Bai和Xu，2022）。后续工作利用基于双向注意力的LSTM模型来关注最相关的输入特征，从而提高准确性（Ian等人，2023）。此外，为了解决风暴潮数据的复杂特性，最近的研究提出了多尺度分解等策略来减轻非线性和非平稳性的影响，并将这种技术与卷积LSTM模型结合用于预测（Wang等人，2023b）。总体而言，这些数据驱动方法在计算效率和短期预测准确性方面取得了显著改进。然而，大多数方法仍然专注于单站或纯时间序列建模，强调时间依赖关系，而缺乏明确表示多个站点之间空间传播路径和相互作用结构的能力。因此，它们系统描述风暴潮时空演变的能力仍然有限。

在这些架构进步的基础上，最近的研究引入了图神经网络（GNNs）来明确捕捉监测站之间的复杂空间依赖性（Zhang等人，2023），标志着向模拟沿海传感器网络中固有的非欧几里得关系的重大转变。最初的实现集中在静态图结构上，例如将图卷积网络与循环架构相结合，并根据站点之间的地理邻近性定义边（Zhang等人，2023）。后续工作通过数据驱动规则优化了网络拓扑和连接权重以提高性能（Shi等人，2024a），而一项值得注意的发展是结合了GNNs与门控循环单元（GRUs）和信息论方法来建立有向因果边（Jiang等人，2024）。尽管这些发展增强了空间依赖性建模，但大多数现有的基于图的框架在结构上仍然是静态的，物理约束不足。它们的图拓扑大多是预定义的且时间不变的，限制了它们表示由移动台风系统引起的动态空间相互作用的能力。边权重通常由地理距离或基于相关性的规则确定，而不是基于物理的因果机制，关键的气象强迫变量（如风场和中心气压）很少被明确嵌入到空间建模过程中。因此，当前的基于图的方法难以捕捉快速变化的风暴条件下的时变水动力相互作用和风暴潮传播的因果演变。

为了解决上述限制，本研究旨在开发一种基于因果关系的动态图注意力框架（TGAT，即Causal-Aware Temporal Graph Attention Network），用于在台风强迫下的多步风暴潮预测。该框架旨在克服现有基于图方法的静态拓扑、预定义的边权重和有限的物理约束。它整合了三个关键组件：利用Liang-Kleeman信息流构建一个自适应且物理上可解释的因果图；采用混合GATv2-GRU架构来捕捉动态演变的时空依赖性；以及明确嵌入关键台风强迫因素，将气象驱动因素纳入建模过程。利用高保真数值模拟数据，TGAT旨在建立一个高效且物理上一致的预测框架，特别是用于表示极端台风事件期间的峰值风暴潮幅度和时机。

本文的其余部分组织如下。第2节介绍数据和预处理程序。第3节介绍TGAT架构。第4节报告实验结果和消融分析。第5节总结研究并概述未来工作。

研究区域和数据来源

琼州海峡位于海南岛和雷州半岛之间（北纬19°31′–20°05′，东经110°07′–110°42′），由于其独特的台风暴露特性而被选为研究区域。基于现代中国沿海历史台风路径数据集的先前研究（Feng等人，2014；Lu等人，2021）已将该地区确定为台风登陆频高的区域，具有显著的空间聚集性。这种聚集性与海峡的浅大陆架相结合

风暴潮动态的关键驱动因素和台风相关变量

为了系统地阐明台风引发的风暴潮的物理机制以及关键变量的作用机制，本节整合了风暴潮的多阶段物理过程、琼州海峡的地形约束以及台风相关变量的选择逻辑（台风路径、近中心最大风速、台风中心气压）（见图3）。"狭窄通道"的半封闭地形（南北宽度：19–40公里）和浅大陆架

物理记忆时间尺度和最佳图注意力配置

为了明确风暴潮演变中的物理记忆尺度并确定最佳模型配置，对每个数据分区的验证集进行了超参数敏感性分析。具体来说，对于表4中概述的台风分区方案，同时调整了回顾期和GATv2注意力头的数量。基于相应计算出的RMSE，选择了每个分区的最佳超参数组合

结论和未来工作

本研究解决了在多站风暴潮预测中表示动态演变的空间依赖性的长期挑战，同时保持了物理可解释性。通过将Liang-Kleeman信息流与GATv2-GRU架构相结合，提出的TGAT框架将方向性因果机制嵌入到动态图学习范式中，从而架起了数据驱动建模和水动力过程表示之间的桥梁。与传统的静态空间方法不同，

CRediT作者贡献声明

孙海：写作 – 审稿与编辑，撰写原始稿件，可视化。严月：撰写原始稿件，可视化，方法论，形式分析，数据管理。曲源：资源管理，数据管理。姚万翔：验证，软件。王慧倩：形式分析，数据管理。褚亚楠：可视化。梁秉辰：写作 – 审稿与编辑，监督，概念化。

利益冲突声明

作者未报告任何潜在的利益冲突。