Восстановление экстремальных уровней моря у побережья Китая с использованием нескольких моделей глубинного обучения

Почему уровни прибрежных вод важны для повседневной жизни

Длинная береговая линия Китая является домом для сотен миллионов людей, крупных портов и стремительно растущих городов. Когда мощные шторма загоняют море вглубь суши, возникающие высокие уровни воды могут затопить кварталы, повредить инфраструктуру и засолить питьевую воду. Однако подробные записи об экстремальных прибрежных уровнях воды удивительно редки и фрагментированы. Это исследование восполняет этот пробел, реконструируя пятидесятилетний ряд дневных максимумов уровня воды вдоль значительной части китайского побережья, используя современные инструменты искусственного интеллекта для превращения разрозненных наблюдений и данных метеорологического реанализа в последовательный общедоступный набор данных.

Отслеживая подъемы и падения моря

Прибрежные уровни воды определяются двумя основными составляющими: регулярным притяжением Луны и Солнца, создающим приливы, и штормовыми нагонами — временными выступами воды, надуваемыми на берег низким давлением и сильными ветрами во время циклонов и других погодных систем. В Китае тропические циклоны и другие бури часто накладываются на уже высокие приливы, создавая особенно опасные условия. Тем не менее многие приливные станции, измеряющие уровень моря, имеют только короткие или прерывистые ряды наблюдений, а некоторые данные недоступны в открытом доступе. Это затрудняет учёным и планировщикам понимание того, как экстремальные уровни моря варьируются по местам и по десятилетиям вдоль этого сильно подверженного риску побережья.

Использование интеллектуальных моделей для заполнения пробелов

Авторы подошли к этой задаче, сочетая современные методы глубинного обучения с традиционным анализом приливов. Они сосредоточились на 23 приливных станциях, разбросанных вдоль китайского побережья, и собрали подробную погодную информацию из глобального реанализа ERA5, включая давление воздуха и ветры у поверхности в квадрате 10 на 10 градусов вокруг каждой станции. Эти метеорологические поля использовались для обучения нескольких типов нейросетей тому, как дневные максимальные штормовые нагоны связаны с окружающей атмосферой. Одновременно команда использовала инструмент UTide для выделения предсказуемых приливных сигналов из исторических рядов уровней моря, что позволило отделить регулярное поднятие и опускание прилива от более нерегулярной нагонистой компоненты.

Тестирование разных вариантов глубинного обучения

Вместо опоры на один алгоритм исследование систематически сравнило четыре модели глубинного обучения: сеть с долгой короткосрочной памятью (LSTM), гибридную CNN-LSTM, которая сначала считывает пространственные паттерны, ConvLSTM, обрабатывающую пространство и время одновременно, и модель Informer на базе архитектуры Transformer, популярной в обработке языка. Чтобы сделать модели более эффективными, исследователи сжали большие метеополя с помощью анализа главных компонент перед обучением. Они также подавали каждой модели 24-часовую историю атмосферных условий и использовали механизмы внимания, чтобы сеть могла сосредоточиться на наиболее важных моментах. Для каждой станции примерно 20% записи выделялось как независимый тестовый период, и для окончательной реконструкции выбирали ту модель, которая показала наилучший результат на этом периоде.

Восстановление пятидесяти лет высоких уровней воды

После обучения для каждой точки использовали модель с наилучшей производительностью, чтобы реконструировать дневные максимумы штормовых нагонов за весь период 1970–2020 годов. Эти оценки нагонов затем складывали с соответствующими астрономическими приливами, полученными из UTide, чтобы получить дневные максимальные суммарные уровни воды. Поскольку самый высокий прилив и самый высокий нагон в один день обычно происходят в немного разное время, такое простое сложение задаёт верхнюю оценку того, что могло иметь место; тесты с почасовыми данными показывают, что это завышение в среднем около 15 сантиметров, или примерно 15%. Даже с этой консервативной погрешностью реконструированный ряд хорошо согласуется с наблюдаемыми записями там, где данные существуют: в среднем корреляция между реконструированными и наблюдаемыми дневными максимумами составляет около 0,9, а ошибки — порядка нескольких десятков сантиметров, в том числе для очень высоких событий выше 95-го перцентиля.

Что это значит для побережий и сообществ

Для учёных, инженеров и прибрежных планировщиков новый набор данных даёт подробную, согласованную картину того, как экстремальные уровни моря вели себя вдоль китайского побережья за последние полвека. Он превосходит несколько широко используемых глобальных продуктов, особенно во время тайфунов и других экстремальных явлений, и сопровождается полной метаданной, кодом и метриками производительности, чтобы другие могли повторно использовать и проверять его. Для широкой общественности это означает, что оценки риска наводнений, проектирование защитных дамб, планы эвакуации и долгосрочные адаптационные меры теперь могут опираться на гораздо более богатую информацию, чем прежде. Проще говоря, научив компьютеры «перепроигрывать» десятилетия штормовых высоких волн и приливов, исследование предлагает более прочную научную основу для защиты прибрежных сообществ от сегодняшних опасностей и подготовки к будущему повышению уровня моря.

Цитирование: Fang, J., Huang, J., Bian, W. et al. Reconstruction of Extreme Sea Levels in coastal China using Multiple Deep Learning models. Sci Data 13, 268 (2026). https://doi.org/10.1038/s41597-026-06593-w

Ключевые слова: приливная волна, экстремальный уровень моря, прибрежное наводнение, глубинное обучение, береговая линия Китая