[论文解读] Multi-Output Artificial Neural Network for Storm Surge Prediction in North Carolina

Anton Bezuglov, Brian Blanton+1 more|arXiv (Cornell University)|Sep 23, 2016

Tropical and Extratropical Cyclones Research参考文献 30被引用 9

一句话总结

本文提出一种多输出前馈人工神经网络（ANN），用于基于飓风路径和强度参数输入，在北卡罗来纳州海岸实现实时风暴增水预测。该模型基于高分辨率ADCIRC模拟训练，在10个沿海位置均实现了快速且准确的预测，性能与先前方法相当或更优，但因前馈结构缺乏记忆能力，偶尔会低估峰值增水。

ABSTRACT

During hurricane seasons, emergency managers and other decision makers need accurate and `on-time' information on potential storm surge impacts. Fully dynamical computer models, such as the ADCIRC tide, storm surge, and wind-wave model take several hours to complete a forecast when configured at high spatial resolution. Additionally, statically meaningful ensembles of high-resolution models (needed for uncertainty estimation) cannot easily be computed in near real-time. This paper discusses an artificial neural network model for storm surge prediction in North Carolina. The network model provides fast, real-time storm surge estimates at coastal locations in North Carolina. The paper studies the performance of the neural network model vs. other models on synthetic and real hurricane data.

研究动机与目标

• 开发一种快速、实时的北卡罗来纳州沿海风暴增水预测模型，以支持飓风季节的应急决策。
• 克服高分辨率动力模型（如ADCIRC）的计算延迟问题，后者单次预报需数小时。
• 构建一个单一的多输出ANN，可同时预测多个沿海位置的增水，提升效率。
• 在合成及真实飓风路径（包括1996年弗朗西斯科飓风和2003年伊莎贝尔飓风）上，评估ANN相对于ADCIRC模拟的性能表现。
• 识别前馈ANN在捕捉复杂增水动力过程方面的局限性，特别是在增水变异性较高的位置。

提出的方法

• 采用具有ReLU激活函数的两层前馈神经网络，隐藏层包含32或64个神经元。
• 输入特征包括飓风参数：中心气压、最大风圈半径、移动速度以及每个时间步（30分钟间隔）的风暴中心位置。
• 模型在1,000条合成飓风路径及其对应北卡罗来纳州海岸ADCIRC模拟增水响应的数据集上进行训练。
• 使用TensorFlow深度学习库实现模型，并作为开源软件公开发布。
• 通过计算ANN预测值与ADCIRC‘真实’值在10个沿海位置之间的均方根误差（RMSE）和平均绝对误差（MAE）来评估模型性能。
• 对比多种架构配置，识别准确率与计算复杂度之间的最优权衡。

实验结果

研究问题

• RQ1 多输出前馈ANN能否在北卡罗来纳州多个沿海位置实现快速且准确的风暴增水预测？
• RQ2 与高分辨率动力模型（如ADCIRC）相比，ANN在预测准确性和计算速度方面表现如何？
• RQ3 前馈ANN在捕捉极端增水事件方面存在哪些局限性，特别是在增水变异性较高的位置？
• RQ4 ANN能否泛化到训练数据中未包含的真实飓风（如1996年弗朗西斯科飓风和2003年伊莎贝尔飓风）？
• RQ5 为何ANN在某些位置偶尔会产生负的增水预测值？这是否可归因于网络架构的约束？

主要发现

• 具有32或64个隐藏神经元的多输出ANN在准确率与计算效率之间实现了最佳平衡，优于其他测试的架构。
• 对于1996年弗朗西斯科飓风，ANN在第8号位置预测峰值增水为2.25米，而ADCIRC模型预测为2.6米，该位置的RMSE为0.35米，MAE为0.28米。
• 对于2003年伊莎贝尔飓风，ANN在北部沿海位置（1–4号）显著低估了峰值增水，尤其在风暴大风圈导致广泛洪水的区域，误差进一步增大。
• 模型在第8–10号位置表现出非物理解释的负增水预测，作者将其归因于前馈架构无法保留时间上下文或记忆能力。
• 尽管平均误差较低，ANN在复杂水深地形和大风圈半径区域仍持续低估峰值增水，表明无记忆设计存在根本性局限。
• 基于TensorFlow的开源实现使该模型可部署并适配至其他具备足够训练数据的沿海区域。