【华体会最新】海洋学院博士生韩心海发表图卷积对抗网络进行多站点水位预报的研究成果

近日，上海交通大学海洋学院博士生韩心海以第一作者在地球科学领域知名期刊Geo-Spatial Information Science上发表了题为”Multi-station water level forecasting using advanced graph convolutional networks with adversarial learning”的研究论文，海洋学院双聘研究员杨劲松为通讯作者。合作者包括自然资源部第二海洋研究所李晓辉副研究员，中山大学王久珂教授，加拿大海洋与渔业部韩国奇研究员，浙江省海洋监测预报中心丁骏高级工程师，沈辉工程师，严俊高级工程师以及自然资源部第二海洋研究所陈大可院士。

近年来，气候变化导致海洋温度持续上升，极端天气事件频发，尤其是热带气旋（TC）引发的暴潮与异常水位现象，对沿海基础设施和居民安全构成了严峻挑战。因此，准确预测多站点水位变化具有重要的工程和社会意义。传统的潮汐预报方法和数值模式在应对极端条件时存在一定局限，而深度学习技术在捕捉时空依赖关系方面展现出巨大潜力。为此，课题组提出了一种基于 Wasserstein 距离对抗学习的图卷积网络（WD-ACGN）模型（图1），旨在提升水位预测的准确性和适应性，为海洋工程保护和防灾减灾提供可靠依据。

WD-ACGN的结构能够充分提取水位数据的短期和长期依赖特征，从而准确捕获数据中的周期性变化和趋势。传统基于距离的图构建方法往往难以反映复杂的空间依赖关系，而WD-ACGN基于真实距离矩阵与可学习节点嵌入的自适应图构建方法，从而在图卷积操作中更精确地刻画各潮站之间的空间关联性。引入的对抗训练机制，通过判别器不断缩小预测分布与真实水位数据之间的差距，模型的整体性能和泛化能力进一步提升。

图2. 超强台风梅花路径示意图

模型在模拟数据集上进行了充分验证，并与当前SOTA方法进行了比较。从定量指标（MAE、RMSE 和 MAPE）来看，WD-ACGN 在不同预测时段均取得优势。此外，课题组还对模型在台风条件下的预测能力进行了案例研究。以超强台风 Muifa 为例，其路径如图2所示。

图3. 模型针对台风 Muifa 期间（2022 年 9 月 10 日 00:00 至 9 月 15 日 14:00）进行 3 小时、6 小时和 12 小时间隔的水位预测精度表现。

在台风期间（从 2022 年 9 月 10 日 00:00 至 9 月 15 日 14:00），模型在 3、6 和 12 小时的预测均表现出良好的趋势捕捉能力，并能较准确地反映出非潮汐异常（即风暴潮）的变化。以上结果（图3）可以看出，随着预测时长的增加，虽然误差有所上升，但整体性能仍可靠。

论文链接：

https://www.tandfonline.com/doi/full/10.1080/10095020.2025.2459152#d1e341

这里“阅读原文”，查看论文