TOP期刊发文！河海大学港口海岸与近海工程学院冯曦教授课题组最新研究成果为跨区域、多物理过程的海洋集成预报提供新的设计框架！

近日，河海大学港口海岸与近海工程学院冯曦教授课题组最新研究成果《 Fast prediction of oceanic nearshore circulation (FPOCH) system with multi-model fusion strategies》，在海洋工程TOP期刊《Applied Ocean Research》上正式刊发。

本研究由课题组冯曦老师牵头，联合国家超算中心（天津），旨在通过整合物理驱动与数据驱动方法，实现从大陆架到海岸带跨区域快速、准确的预测，为跨区域、多物理过程的海洋集成预报提供新的设计框架。

01

关键挑战与解决方法

关键挑战：传统近岸水动力预报中数值模型精度与效率不可兼得、纯数据驱动模型物理一致性与泛化性不足、全球化模型在近岸预报精度低且近岸可共享观测数据非常稀缺。

为此，我们提出了一种全新的技术框架——近岸海洋环流快速预测（FPOCH）系统，这是一个整合了传统多网格嵌套数值模拟与机器学习模型的数字孪生架构。FPOCH的整体工作流程如图所示，该系统包含四个核心组件：

• 覆盖整个中国海域的风暴潮数值模拟系统（FPOCH–NS1）；

• 高精度区域海洋三维环流数值模拟平台（FPOCH-NS2）；

• 数据驱动平台（FPOCH-ML），可支持选定位置或局部海域预报；

• 可视化平台，用于展示观测数据以及所有模型的临近预报与预报输出。

图1. FPOCH系统整体框架

数值模拟系统FPOCH–NS

FPOCH-NS是系统的物理基础，采用非结构化网格的有限体积法求解三维原始海洋控制方程，通过模型嵌套实现跨尺度模拟。FPOCH–NS采用模型嵌套方法，包含一个覆盖中国近海的大网格区域FPOCH–NS1，以及用于专门模拟南黄海、拥有更高分辨率以及更多物理过程的子区域FPOCH–NS2。FPOCH–NS1的水动力输出作为FPOCH–NS2的开边界强迫，FPOCH–NS2解析更精细的海岸与地形特征，以捕捉复杂的近岸水动力环境。随后，观测数据与FPOCH–NS2的输出被用作FPOCH-ML的输入。

数据驱动平台（FPOCH-ML）

FPOCH-ML是一个数据驱动平台，它利用FPOCH–NS2的输出与长期潮汐观测数据来预测近岸洋流。在每种配置中，系统采用LSTM、EMD-ML与ConvLSTM等多种核心模型构建预报系统。

技术架构

前后端解耦设计，前端基于Vue.js+Leaflet+ECharts实现交互式可视化，后端基于Python+FastAPI构建，采用MySQL存储数据，支持Nginx+Docker容器化部署。

02

结果

基于物理驱动的FPOCH–NS1 & FPOCH- NS2的性能

作为降尺度区域的核心输入数据集与原型数据，FPOCH–NS1的输出（包括FPOCH–NS2的输出）对于基于混合模型的快速预报平台至关重要。FPOCH–NS1在非台风期潮位模拟精度优异，RMSE<0.2 m，BIAS<0.05 m，NSE>0.9；潮流误差RMSE约0.09-0.12 m/s，NSE>0.7。

在台风期，FPOCH-NS1能够准确捕捉强向岸流与海湾流射流特征，模拟结果普遍优于全球化再分析数据。以2024年途径上海的台风“贝碧嘉”为例，FPOCH-NS1系统的风暴潮峰值误差< 0.1 m，而同时段产品来自全球模型CMEMS峰值误差在上海宝镇站可达2.0 m。而FPOCH-NS2对于近岸潮位的预测在台风期性能更优，为FPOCH-ML模块提供高质量训练与输入数据。FPOCH- NS系统主要优势来自为中国近海量身定做的混合台风风场模拟方法，以及更高高分辨率的近岸地形。

图2. FPOCH-NS在台风“贝碧嘉”期间的模拟效果

FPOCH-ML的预报性能

FPOCH-ML的利用沿海少量验潮站资料，结合来自FPOCH-NS的预报场，实现了研究区域的高精度实时预报。在FPOCH内置的诸多核心算法中，分为两类场景：

A.单点预报

• 潮位：EMD-ML性能最优，NSE/R²达0.98，RMSE=0.08 m，较LSTM降低0.16 m、较NS2降低0.02 m，EMD预处理有效提取了潮汐周期性特征；

• 潮流：LSTM性能最优，流速RMSE=0.02 m/s，流向RMSE=13.07°，较NS2流速BIAS降低0.07 m/s、流向RMSE降低2°，更擅长捕捉地形驱动的非线性波动；

• 核心发现：不同求解器各有专长，EMD-ML适合周期性潮位预测，LSTM适合复杂潮流预测。

B.区域预报

• 潮位场：EMD-ML仍保持最优，RMSE=0.03 m；

• 潮流场：ConvLSTM实现最高精度，流速RMSE=0.03 m/s（较EMD-ML提升40%），流向RMSE=5.46°（较EMD-ML提升38%、较LSTM提升14%），其卷积结构能有效捕捉流场的时空相关性，在大流速时段优势尤为明显。

图3. FPOCH-ML预报效果展示

03

局限性

• 在目前文章展示的FPOCH-ML计算区域内，仅存在一个潮位观测站，这限制了测试平台的空间范围；

• 当前训练数据中极端事件案例的有限数量，到目前为止，FPOCH仅在江苏近岸-长江口进行了验证，验证区域单一，尚未覆盖浙江、福建、广东、海南等风暴潮和台风浪灾害的脆弱带。

04

结论

本研究是实现了数字孪生技术在近岸水文与水动力预报中的应用的一次成功尝试。FPOCH系统为极端事件模拟与高分辨率海岸预报相关的挑战提供了经济高效的解决方案，凸显了其在海岸管理的业务化应用与科学研究中的潜力。主要结论如下：

（1）FPOCH系统确立了“多级嵌套数值模型打底+机器学习加速”的混合建模范式，解决了传统模型精度与效率不可兼得的核心矛盾；

（2）利用强潮区潮流强相关性，实现单点潮位反演全域流场，为观测稀缺的近岸区域提供了低成本预报方案；

（3）提出了差异化选型原则：潮位预报用EMD-ML，单点潮流用LSTM，全域流场用ConvLSTM。

更多内容，请打开全文链接：

Fast prediction of oceanic nearshore circulation system with multi-model fusion strategies.pdf

• 信息来源：河海大学港口海岸与近海工程学院。

  转载请注明信息来源及海洋知圈编排。