使用多种深度学习模型重建中国沿海的极端海平面

为什么沿海水位关系到日常生活

中国漫长的海岸线居住着数以亿计的人口，拥有重要港口和蓬勃发展的城市。当强烈风暴将海水推向内陆时，随之而来的高水位会淹没街区、损坏基础设施，并将盐分带入饮用水中。然而，关于这种极端沿海水位的详细记录出人意料地稀缺且支离破碎。本研究通过重建中国大部分海岸线五十年每日高水位，弥补了这一空白，利用现代人工智能工具将零散的观测与气象再分析数据转化为一致且公开可用的数据集。

追踪海面的涨落

沿海水位由两大要素驱动：造成潮汐的月亮与太阳的规律引力，以及风暴潮——在气旋或其他天气系统中，低气压和强风把海水推上岸形成的暂时性水隆。在中国，热带气旋和其他风暴常常叠加在已经较高的潮汐上，造成尤其危险的情况。然而，许多测量海平面的潮位站记录时间短或断断续续，有的记录也非公开获取。这使得科学家和规划者难以了解沿这条高度暴露的海岸线上极端海平面的时空变化。

用智能模型填补空白

作者通过将现代深度学习技术与传统潮汐分析相结合来解决这一问题。他们关注分布在中国海岸线上的23个潮位站，并从ERA5全球再分析中收集了详尽的气象信息，包括每个站点周围10×10度区域内的气压和近地面风场。研究团队用这些天气场训练多种神经网络，使其学习每日最大风暴潮如何与周边大气条件相关。同时，团队使用名为UTide的工具从历史海平面记录中提取可预测的潮汐信号，从而将潮汐的规律性起落与更无规则的风暴潮成分分离出来。

测试不同风格的深度学习

研究没有依赖单一算法，而是系统比较了四种深度学习模型：长短期记忆网络（LSTM）、先读取空间模式的混合CNN-LSTM、同时处理时空的ConvLSTM，以及基于在语言处理中流行的Transformer架构的Informer模型。为保持模型高效，研究者在训练前用主成分分析压缩了庞大的天气场。他们还向每个模型输入了24小时的大气条件历史，并使用注意力机制使网络能集中在最重要的时刻。对每个潮位站，大约20%的记录被保留为独立测试期，并在该期表现最好的模型被选用于最终重建。

重建五十年的高水位

训练完成后，每个站点表现最好的模型被用来重建整个1970–2020年期间的每日最大风暴潮。这些风暴潮估算值随后与UTide得到的对应天文潮叠加，生成每日最大总水位。由于当天的最高潮与最高风暴潮通常发生在略有不同的时间，这种简单相加方法代表了对实际情况的上限；使用小时数据的测试表明，这种高估平均约为15厘米，或约15%。即便存在这种保守偏差，重建序列在有观测数据的地方仍与实测记录高度吻合：重建与观测的每日最大值平均相关系数约为0.9，误差在几十厘米量级，包括95百分位以上的极高水位事件。

对沿海与社区的意义

对于科学家、工程师和沿海规划者而言，这一新数据集提供了过去半个世纪中国沿海极端海平面行为的详细、一致的图景。它在台风和其他极端事件期间优于若干广泛使用的全球产品，并附带完整的元数据、代码和性能指标，便于他人重用与审查。对公众而言，这项工作意味着洪水风险评估、防潮堤设计、撤离规划和长期适应等决策现在可以基于比以往更丰富的信息。简而言之，通过教计算机“重放”数十年的风暴驱动高水位，这项研究为保护沿海社区免受当前危害并为未来海平面上升做准备，提供了更坚实的科学基础。

引用: 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

关键词: 风暴潮, 极端海平面, 沿海洪涝, 深度学习, 中国海岸线