-
天气和极端气候观测和预测变化
人工神经网络预测风暴潮和沿海洪水
-
以
1999
年奥里萨超级旋风器为例
Bishnupriya Sahoo, Prasad K.
Bhaskaran
?
热带气旋引发的风暴潮和相关的陆上洪水在登陆期间对生命，
财产和基础设施构成
重大危险和破坏。沿印度东海岸的沿海地带人口稠密，极易受到热带
气旋的影响。实
时预报系统提供可能的风暴潮高度，包络和陆上洪水范围的可靠估计，具
有潜在的社
会经济效益。传统方法使用现有技术的数值模型或模型集合，这些模型在实时
操作期
间计算昂贵并且非常耗时。本研究提出了一种使用软计算技术（如人工神经网络<
/p>
（
ANN
））预测风暴潮和陆上洪水的混
合方法。所提出的网络架构被证明是可行的并
且具有高成本效益，始终如一地保持高水平
的计算精度（
> 92
％），从而找到潜在的
< br>实时应用。作为案例研究，人们研究了
ANN
模型在模拟
风暴潮和与
1999
年
Odisha<
/p>
超
级旋风相关的陆上洪水范围方面的效果。风暴潮和洪水数据的预
先计算情景用于训练
整个奥里萨海岸的
ANN
< br>模型，成功率为
99
％。在训练阶段之后，与任何传统模
型相比，
预测风暴潮和淹没的计算时间非常快（以秒为单位）。使用风暴潮和淹没的归档
记录
进行的技能评估
ANN
模型的稳健
性的验证练习分别获得
92
％和
94<
/p>
％的准确度。获得
的结果非常令人鼓舞，证明了人工神经网络模型
在热带气旋活动中对灾害风险降低的
实时应用和有效性的有效性。
1.
简介
沿海地区的沿海地貌特征和漏斗
形特征重定向了大约
68
％的热带气旋扰动，
< br>这些扰动形成于孟加拉湾（
BoB
）沿着印度东海岸（<
/p>
ECI
）登陆。根据历史记录，
很明显每
年大约有
4-5
个气旋在该地区发展。此外，与印度西海岸相比
，东海岸
的潜在风暴潮和陆上洪水相关的风险和沿海脆弱性相对较高。文献证据还表明，
与世界上任何其他海岸相比，热带气旋对
ECI
的影响相对较高且具有破坏性。此
外，与其他全球海洋盆地相比，
BoB
地区海平面上升的影响（平均为
3.8 mm
yr-
1
）更高（
Rietbroek
等，
2016; Unnikrishnan
< br>等，
2006
）。它可以作为一个额外
< br>的威胁，可以增强沿海湾地区以及沿着
ECI
其他地区的
低洼三角洲环境中沿海洪
水的影响。
在毗邻孟加拉湾地区的四个海洋国家中，奥里萨邦非常脆弱，经历了最多的飓
风袭击。从
历史档案中可以明显看出，
1999
年的奥里萨邦超级旋风是在
孟加拉
湾形成的热带气旋中记录的最严重的灾难。由于其后果造成的人命损失和对财产<
/p>
和基础设施的破坏是相当巨大的。如上所述，天气预报机构以实时模式传播基本
旋风参数的常规预测，例如旋风轨道，可能的登陆位置，风暴潮和陆上洪水的范
围。众所周知，只有当旋风器更接近登陆位置时，预测精度才会提高。换句话说，
轨
道预报的可靠性和可能的登陆位置仅在登陆前
24
小时内受到限
制，这对规划
和疏散作业至关重要。此外，实时操作所需的数值建模活动涉及执行非常耗
时并
且还需要高计算能力的模型集合。因此，值得探索一种替代方法与传统建模技术
相比，在快速计算方面具有很强的鲁棒性。该技术应该是新颖的，并且还具有高
度的时间效率，可以实现实时操作的实际应用。过去开发了几种用于实时预测的
分析和数值模型，以及
Bhaskaran
等人最近的研究。
（
2013
），
Murty
等。
（
2016
），和
Gayat
hri
等。
（
2016
）使用数值模型全面概述风暴潮和陆上淹没
预测的准
确性水平。很明显，最近的研究使用最先进的
ADCIRC
（高
级循环）模
型来计算低洼地区近岸和相关陆上洪水的总水位。同样对于实时操作，气象机
构
使用大气和水动力模型作为集合来预测可能的登陆位置，循环克隆轨道和强度，
风暴潮和淹没特征。早先报道了美国墨西哥湾沿岸的一种新方法（
Ne
edham
和
Keim
，
2012
），它使用风暴潮和沿海洪水（
SURGE
DAT
数据集）的历史数据集
用于决策支持系统和紧急情况下的
评估操作。它清楚地证明了具有潜在应用的预
先计算方案对于紧急操作的重要性。然而，
遗憾的是，目前印度洋地区缺乏这样
的研究。
大多数针对印度洋进行的热带气旋引发的风暴潮的研究都是针对具体情况的，
并
针对登陆后的飓风事件进行。在最近的一项研究中，作者利用
ADCIRC
（高级
循环）模型为
Odisha
< br>州（
Sahoo
和
Bhaska
ran
，
2017a
）开发了风暴潮和
沿海洪
水地图的预先计算方案的综合数据集。这个数据集是迄今为止印度海岸开发的最<
/p>
全面的数据集。预先计算的情景包括基于风速，登陆位置，平移速度，接近角和
潮汐水位的各种组合的与热带气旋相关的风暴潮和陆上淹没的信息。本研究利用
预先计算的数据集（
Sahoo
和
Bhaskaran
，
2017a
）来
确定在使用人工智能（
AI
）
技术登陆
旋风之前风暴潮和沿海洪水的最佳可能情景。在这种情况下，本研究训
练了一个合适的神
经网络结构，并证明这种技术具有很高的成本和时间效率，从
而在热带气旋引发的风暴潮
和相关洪水的运行预测中找到了潜在的实际应用。奥
里萨邦的海岸线长度约为
480
公里，
Sahoo
和
Bhaskaran
（
2017a<
/p>
）最近的一项
研究使用
ADCIRC
模型生成了风暴潮和沿海洪水的综合数据集，其分辨率为
200
米，用于整个海岸线的延伸。奥里萨邦。选择
200
个维度背后的逻辑是演示人工
神经网络技术，该技术经过培训可以预测奥里萨邦
海岸线的风暴潮和沿海洪水情
景。在这种情况下，
200
个沿海点大约每隔
2
公里间隔分开。由于其多
样化的实
际应用和跨多个学科的有益价值，人工智能技术在广泛的计算智能领域得到了广
泛的认可。人工智能技术因其在数据处理方面的稳健性和预测的准确性而在海洋
和大气研究领域受到越来越多的关注。人工智能分支，如
ANN
，
GA
（遗传算
法），
GP
（遗传编程）可有效地用于分类和预测诸如海浪，海表温度
（
SST
），
风，降雨，气温，海啸旅
行时间等参数。还有很多。使用
ANN
和
GP
的应用由
Deo
和
Naidu
（
1999
），
Charate
等人报道。
（
2009
）用于波浪预测。更多和
Deo
（
2003
）使用
这种技术进行风力预测。
Makarynskyy
（
2004
）使用人工神经
网络预测每日，每日，
每日
5-
和平均每日海平面的每小时海平面变化。
Bhaskaran
等。
（
2010
）使用
ANN
预测
NIO
盆地的温度和盐
度。
Kisi
和
Cimen
（
2012
）使用小波
SVM
（支持向量机）来预测降水。巴曼等人。
（
2006
年），
Bhas
karan
和
Pandey
（
2010
年），
Bhaskaran
等人。
（
2008
）使用人工神经网
络来计算包含印度半岛周围
35
个不同国家的
250
个沿海站的
海啸旅行时间。
Sztobryn
（
2003
）使用
ANN
预测波兰海岸的风暴潮。
You
和
< br>Seo
（
2009
）使用
ANN
和聚类分析来预测朝鲜半岛不同地区的风暴潮。
Lee
（
2005,2009
）测试并
验证了台湾海岸风暴潮预测的神经网络技术。
Yo
u
等人报道了遗传算法在风暴
潮预测中的应用。
（
2012
年）。
在一篇未发表的着作中，作者分别研究了
AN
N
，
GA
，
G
P
的性能，发现了
ANN
处理和预测多
个目标（输出）的能力和准确性。
ANN
在本研究中用于对整
个奥
里萨邦海岸的风暴潮和沿海洪水进行分类和预测。
ANN
架构基于人脑的结构，
其包括加权输入，传递函数和由一组方程
表示的输出，所述方程平衡相应的输入
和输出。本研究使用基于监督学习算法的前馈
ANN
架构。在这种情况下，模型
具有监督
输入学习和基于在先前迭代中获得的误差校正的输出。对于奥里萨海岸，
风暴潮高度和陆
上淹没程度的
ANN
模型的训练和测试精度分别为
99
％和
92
％。
作为案例研究，人工神经网络模型成功测试了
1999
< br>年奥里萨超级旋风，并在登
陆事件之前检查了模型技能水平。人工神经网络模型同
时计算多个输出的能力也
有效地降低了成本和时间，从而可以连续预测整个沿海的风暴潮
和沿海洪水。
2.
数据和方法
本节简要介绍用于训练
ANN
模型的数据集，并演示用于预测风暴潮和相关陆
上洪水的建筑结构。为
奥里萨邦海岸（
Sahoo
和
Bhas
karan
，
2017a
）生成的风<
/p>
暴潮和淹没地图的预先计算情景用于训练
ANN
< br>模型。在另一项研究中，作者
（
Sahoo
和
Bhaskaran
，
2
015
）沿着整个奥里萨邦海岸以每
40
公里的空间间隔
构建了多条合成轨道或最可能的旋风轨道。作为
ADCIRC
模型的输入，提供了合
成轨迹以及风速，平移速
度，接近角和潮汐振幅的各种组合的相关气象信息。这
次演习产生了
250
种不同的风暴潮和沿海洪水情景（更多细节见
Sah
oo
和
Bhaskaran
，
2017a
）。表
1
提
供了用于构建综合数据集的不同参数及其组合的
概述。图
1
显示了奥里萨邦的位置，以及沿
480
公里
海岸线的区域。
Ganjam
和
Ba
lasore
地区分别是奥里萨邦的南
/
北边界。图
1
解释了
1999
年
10
月
19
日至
25
日期间与奥西沙海岸南部和北部边界
的
1999
年奥里萨超级旋风相关的最大潮
汐振幅（以
m
为单位）。由于奥里萨邦海岸大陆架宽度和坡
度的变化，奥里萨
邦沿岸潮汐引起的水位升高范围广泛，这是关键的模拟研究。
图
1. 1999
年
奥里萨邦超级旋风和奥里萨邦沿海地区的最大潮汐幅度（以米为单
位）。
图
2.
< br>（
a
）单层单输出
ANN
模型的示意图，
（
b
）具有多个隐藏层的网络，用于多维输出功能
本研究使用了一个多层，多输出前馈神经网络模型，该模
型使用预先计算的风
暴潮和陆上洪水数据集进行训练。
图
2
提供了多层多输出
ANN
模型的示意图，其显示
了
AN
N
对模型参数的依赖性，例如神经元数，传递函数，阈值函数（训练函数）以及
用于训练的输入和输出数据。
用户指定较少数
量的神经元可以阻碍学习过程，而另一
方面，指定更多数量的神经元也会导致过度训练。
同样适用于每层传递函数和训练功
能的组合。这需要首先根据试错法确定，并且可以提供
使用最佳数量的信心。为了训
练目的，登陆期间的风速超过
30
0
种组合，登陆位置（各自的纬度和长度），平移速
度，旋风轨
道的入射角
w.r.t
海岸线和流行的潮汐条件被用作
ANN
模型的输入变量。
在
200
个沿海目的地（也就是人工神经网络模型的输出）中，风暴潮和跨岸淹没（使
用上述输入参数组合产生）也产生了类似数量的多种情景。具有两个隐藏层和具有多
个维度的输出层的三层前馈
ANN
（
200
）用于本研究。
Paradeep
Port
的潮汐信息用于训练
ANN
模
型，因为它是
Odisha
海岸可用的实时潮汐信息的唯一来源
。
基于试验和误差方法，发现每层中
25-30
个神经元是最理想的并且足以获得最佳
网络并且导致
最高的预测准确度水平。基于未发表的工作，培训功能
trainlm
< br>（
Levenberg-Marquardt
）和
trainbr
（贝叶斯规则）被发现可提供最佳性能。关于本研
究中使用的训练函数的更多数学细节可以参考
Hagan
和
Menhaj
（
199
4
）以及
Foresee
和
Hagan
（
1997
）
。虽然，本研究表明使用
'trainbr'
训练函数的
ANN
模型的准确度水
平最高，但模拟时间也
相当高（约
3
小时）。因此，在模拟时间和准确性的背景下，<
/p>
发现
'trainlim'
训练函数对于
该研究是足够的。对于
tan-
sigmoid
，
log-sigmoid
和纯线性
传递函数的组合，整个网络表现更好。登陆位置，接近角，平移速度和风速
作为人工
神经网络模型的输入，输出参数为风暴潮和沿海洪水。此外，人工神经网络模型
用于
估计风暴潮和沿海地区使用从热带气旋档案记录中获得的相关输入参数（见表
1
），
对
1999<
/p>
年奥里萨邦超级气旋进行了淹没。
人工
神经网络预测风暴潮和跨岸淹没距离
的输出进一步验证了
ADC
IRC
的模拟，现场观测以及奥西沙超级旋风期间发生的风暴
潮
和淹没程度的公布记录
。
图
3. ADCIRC
模拟与
ANN
预测之间的相关系数（
a
）风暴潮（
m
），（
b
）训练和
测试阶段沿海洪水（
km
）的范围。
3
。结果与讨论
北印度洋盆地热带气旋活动的历史档案表明，
1999
年奥里萨邦超级气旋是有史以
来记录最严重的
气旋，在印度东海岸的奥里萨邦登陆。这场极端天气事件造成的破坏
在巨大的生命和财产
损失方面相当严重。登陆时的最大风速约为
260 km h-1
。风暴潮
横跨
100-150
公里的
海岸线，在登陆点北部发现最大浪涌超过
6
米（
Rao
等，
2007
）。
Chittibabu
等人的研究。
（
2004
年）报告在极端事件期间<
/p>
Paradeep
飙升了
7.5
米，
导致了
9
885
例灾难性死亡和损失，价值
28
亿美元
。基于风暴后调查和数值模拟研究，
Dube
等人。
（
2000
）报道
1999
年奥里萨邦超级旋风期间
Para
deep
的浪涌高度超过
7
米。然而，
这次超级旋风期间的沿海淹没在各种风暴后的政府和公共报告中被提及
为
50-60
公里，据报道有
2
万公顷的土地因盐水侵入而不能生育。在本研究中，
AD-
CI
RC
模型用于绘制
1999
年奥里萨超
级旋风（图
4b
，
6b
）期间发生的风暴潮和沿海洪
水，使用联合台风警报中心（
JTWC
）的相关轨道细节。然而，由于没有现场测量，例
如在印度沿海的浮标部署，这项研究缺乏对建模工作的详细验证。另一方面，
ADCIR
C
模型的技术水平得到了很好的证明，该模型基于对最近非常严重的旋风分离器（
Murty
等人，
2013
< br>年，
Phailin
）进行的模拟。
（
2014
）。此外，
ADCIRC
模型对于
1999
年
奥里萨飓风期间
Paradeep
< br>的风暴潮和沿海洪水的现场观测表现出了高度的信心
（
S
ahoo
和
Bhaskaran
，
2017a
）。因此，本研究使用
ADCI
RC
模拟作为基准来验证
ANN
结果。
使用
Sahoo
和
Bhaskaran
（
2017
a
）生成的最先进的
ADCIRC
模型
，使用预先计算
的风暴潮和沿海洪水的情景训练
ANN
模型。使用方法部分讨论的训练函数和传递函数
的组合，在风暴潮和淹没
程度的
ANN
模型的训练和测试阶段分别获得
< br>99
％和
92
％的
准确度水平（图
3
）。
<
/p>
。相关的旋风表
2
中给出的参数用作
ANN
模型的输入，以预测
风暴潮和沿海洪
水。
ANN
模型在时钟时间方面的性能大约为秒，并且在
3.1
节中讨论
了预测实时浪涌和沿海洪水
情景的模型精度。
3.1
。使用
ANN
模型验证实时风暴潮和淹没
图
4a
表示在奥里萨邦超级旋风周围登陆位置期间人工神经网络预测和
AD-C
IRC
模
拟风暴潮之间的比较。对于这种极端天气事件，在
ADCIRC
模拟和
ANN
预测（图
5
）
之间的回归系数
方面，风暴潮预测中获得的准确度水平约为
92
％。计算出的最
大跨岸