《ICT Express》:Sea Surface Temperature Forecasting During Extreme Weather Using a Multi-variable Patch-Based Deep Learning Framework
编辑推荐:
准确的海洋监测需要精确的海表温度(SST)预报,尤其是在海气相互作用加剧的极端天气事件期间。本研究提出了TCN-PatchTST,一种增强型的PatchTST变体,利用台湾周边四个浮标的观测数据进行72小时SST预报。结果表明,TCN-PatchTST在预测精
准确的海洋监测需要精确的海表温度(SST)预报,尤其是在海气相互作用加剧的极端天气事件期间。本研究提出了TCN-PatchTST,一种增强型的PatchTST变体,利用台湾周边四个浮标的观测数据进行72小时SST预报。结果表明,TCN-PatchTST在预测精度上持续优于物理及数据驱动基线模型,包括HYCOM、XGBoost、LSTM和标准PatchTST,并在极端天气条件下展现出更高的稳定性。此外,SHAP分析解释了影响SST变化的主要因素。研究结果表明,这种多变量方法显著提高了不同环境条件下SST预报的可靠性。
**论文解读:基于TCN-PatchTST的极端天气海表温度多变量深度学习预报框架**
**1. 研究背景与问题**
海表温度(Sea Surface Temperature, SST)精确预报对气候研究、海岸管理和业务化海洋监测至关重要。在近岸海域,SST对大气条件和表面波浪响应迅速,然而海气相互作用的高度非线性特征使得SST预测极具挑战,尤其在台风等极端天气期间,强风和大浪会引发海表快速冷却及后续恢复过程。传统物理海洋模型(如HYCOM)虽然基于物理原理,但计算成本高且对参数化方案敏感,限制了其在多样化近岸环境中进行实时、站点级预报的实用性。因此,数据驱动方法逐渐兴起,如基于树的集成方法XGBoost和循环神经网络LSTM,但它们在极端事件下的长期预报仍存在困难,主要由于难以捕捉延迟热响应和长程时间依赖。近期,Transformer类时间序列模型展现出长程依赖建模潜力,其中分块时间序列变换器(PatchTST)通过将输入序列表示为分块,实现了高效的多尺度时间建模。然而标准Transformer在计算成本和稳定性方面仍有不足。为此,本研究提出TCN-PatchTST,在PatchTST中引入时序卷积网络(TCN)分支,以增强局部时间特征提取,同时保留长程建模能力,并采用SHAP可解释性分析物理合理性。
**2. 研究内容与方法概述**
研究人员利用台湾周边四个代表性浮标站点(富贵角、新竹、花莲、兰屿)2020–2025年逐小时观测数据,构建了包含原始观测、背景统计、多尺度趋势、周期时间嵌入及物理相互作用代理变量的25维输入特征集,开展72小时SST预报。模型架构为TCN-PatchTST:先对历史96小时多变量序列进行实例归一化和分块(块长16,步长8),然后并行经线性投影分支和TCN分支提取局部特征,融合位置编码后送入Transformer编码器,最后通过预测头输出t+72小时SST。训练采用2020–2024年数据,2025年测试,使用AdamW优化器和Huber损失。对比基线包括HYCOM、XGBoost、LSTM和标准PatchTST,并使用SHAP进行全局和局部特征归因分析。
**3. 主要结果**
3.1 时间序列预测(72小时提前)
在四个站点,TCN-PatchTST均能紧密跟踪观测SST轨迹,尤其在台风阴影期(极端天气区间),能更精确复现快速降温和后续恢复过程,而标准PatchTST在局部波形和短期波动提取上较弱。
3.2 基于SHAP的特征重要性
全局SHAP蜂群图显示,每个站点的特征重要性排序不同,但近期SST历史(热记忆)始终是主导因子,气温、风应力、波高等变量贡献具有站点依赖性。颜色与左右位置共同揭示了特征值高低对预测SST的增温或降温作用。
3.3 非线性依赖关系
以气温(Tair)为例,SHAP偏依赖曲线显示站点特定的非线性模式:富贵角在较高气温下SHAP贡献由负转正,表明暖条件下耦合增强;新竹和花莲呈驼峰形响应,在中间温度达到峰值;兰屿则呈反向趋势,随气温升高正贡献减弱。这些差异反映了不同局地海气相互作用机制。
3.4 模型性能对比
TCN-PatchTST在四个站点的均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)均优于所有基线。例如富贵角RMSE从PatchTST的0.5410降至0.4417,R2从0.9854提升至0.9902。兰屿作为离岸站点难度最大,但TCN-PatchTST仍取得最低误差。
3.5 环境状态对比
将样本分为总体、非台风、台风和过渡四种状态,TCN-PatchTST在所有状态下均保持最佳性能。台风状态下优势最明显:XGBoost和LSTM在快速变化的海气强迫下误差显著增加,而TCN-PatchTST的RMSE为0.4885,R2仍达0.9462,远超其他模型,显示出在极端天气下的高稳定性。
**4. 讨论与结论**
研究提出的TCN-PatchTST框架通过融合TCN局部特征提取与分块Transformer长程建模,在台湾周边多站点及多种环境状态下持续优于物理模型和传统数据驱动模型。SHAP分析不仅增强了模型可解释性,还确认了物理上合理的驱动因素,即热记忆为主,大气变量和风浪代理变量按状态和站点差异化调节。未来工作将引入业务气象预报、扩展到更多站点和预报时效,增加不确定性量化,并深入分析站点差异以支撑早期预警和海岸监测应用。
**研究结论**:作者证明,所提出的多变量TCN-PatchTST深度学习框架能够显著提升极端天气下72小时SST预报的准确性和稳定性,结合SHAP解释性分析为业务化海洋监测提供了可靠工具。
(论文发表于《ICT Express》)