DOI: https://doi.org/10.1007/s00477-025-02993-3
تاريخ النشر: 2025-05-06
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: أبحاث الأعاصير الاستوائية وغير الاستوائية
نظرة عامة
تقدم ورقة البحث منهجية جديدة للتنبؤ بارتفاعات العواصف باستخدام تقنيات التعلم الآلي، من خلال دمج الشبكات العصبية الاصطناعية (ANNs) وعملية اختيار نموذج بايزي التكيفية. تتناول هذه الطريقة الشكوك الكامنة في توقعات ارتفاع العواصف، والتي تنشأ من كل من بيانات المدخلات المتوقعة – مثل ضغط مستوى سطح البحر المتوسط وسرعة الرياح على ارتفاع 10 أمتار فوق مستوى سطح البحر – والنموذج نفسه. من خلال استخدام محاكاة مونت كارلو لنشر عدم اليقين في المدخلات، ينتج النموذج توقعات قوية مع فترات ثقة مرتبطة. يتم توضيح المنهجية من خلال توقعات ارتفاع العواصف لمدة 24 ساعة لميلبورت في فرت أوف كلايد، اسكتلندا، مما يظهر تحسينات كبيرة مقارنة بالنماذج الحالية للشبكات العصبية الاصطناعية.
في الختام، تؤكد الورقة على نموذج توقع ارتفاعات لمدة 24 ساعة يعزز دقة التنبؤ من خلال دمج متوسط النموذج البايزي مع تقنيات مونت كارلو ضمن إطار عمل مجموعة الشبكات العصبية. تلتقط طريقة اختيار النموذج البايزي التكيفية بشكل فعال عدم اليقين في النموذج، بينما تقوم طريقة مونت كارلو بتحديد تأثير عدم اليقين في معلمات التنبؤ. يتم إثبات الأداء التشغيلي للنموذج من خلال قدرته على التنبؤ بدقة بـ 93% من بيانات الارتفاع تحت 0.75 متر و95% فوق 0.75 متر، مع حدود خطأ قابلة للإدارة تبلغ حوالي 30-35 سم. هذه المنهجية سهلة التنفيذ ويمكن تكييفها لمواقع مختلفة باستخدام بيانات ارتفاع العواصف التاريخية أو مجموعات بيانات إعادة التحليل، مما يشير إلى قابليتها الواسعة في توقع ارتفاعات العواصف.
مقدمة
تتناول مقدمة الورقة القضية المتزايدة للفيضانات الساحلية التي تفاقمت بسبب تغير المناخ، مع تسليط الضوء على التوقعات من الهيئة الحكومية الدولية المعنية بتغير المناخ (IPCC) التي تتوقع ارتفاع مستوى سطح البحر العالمي بمقدار 0.43 إلى 0.84 متر بحلول نهاية القرن. من المتوقع أن يزيد هذا الارتفاع من تكرار وشدة أحداث الفيضانات، التي تتفاقم بفعل العواصف الأكثر شدة الناتجة عن ارتفاع درجات حرارة المحيطات. يتم التأكيد على ضرورة وجود أنظمة إنذار مبكر قوية قادرة على التنبؤ بدقة بارتفاعات العواصف، نظرًا للتعقيدات والشكوك المرتبطة بتوقعات الأحداث الهيدرولوجية.
تستعرض الورقة المنهجيات الحالية لتوقع ارتفاعات العواصف، مصنفة إياها إلى نماذج فيزيائية عالية الدقة ونماذج إحصائية منخفضة الدقة، كل منها له مزايا وقيود مميزة. تم الإشارة إلى التقدمات الأخيرة في التعلم الآلي، وخاصة الشبكات العصبية الاصطناعية (ANNs)، لدورها المحتمل في تعزيز دقة التنبؤ. يقترح المؤلفون نهجًا جديدًا، وهو اختيار نموذج بايزي متوسط مونت كارلو (MCBS)، الذي يدمج عدة نماذج ANN مدربة لتحديد كل من عدم اليقين في النموذج والمدخلات. تهدف هذه المنهجية إلى تحسين توقعات ارتفاعات العواصف مع الحفاظ على الكفاءة الحاسوبية، مما يمهد الطريق لمزيد من الاستكشاف لتطبيقها في السيناريوهات الواقعية، وخاصة في منطقة فرت أوف كلايد في اسكتلندا.
النتائج
تقدم قسم “نتائج توقع ارتفاعات الساعة” النتائج من التحليل التنبؤي الذي تم إجراؤه على أحداث الارتفاع. تشير النتائج إلى وجود ارتباط كبير بين مخرجات النموذج التنبؤي ووقوعات الارتفاع الفعلية، مما يظهر فعالية النموذج في توقع هذه الأحداث. تم استخدام مقاييس رئيسية، مثل الدقة والاسترجاع ودرجة F1، لتقييم أداء النموذج، مما يكشف أنه حقق دقة بنسبة 85% واسترجاع بنسبة 80%، مما يدل على قدرة قوية على تحديد أحداث الارتفاع بشكل صحيح مع تقليل الإيجابيات الكاذبة.
علاوة على ذلك، تسلط التحليل الضوء على قوة النموذج عبر فترات زمنية مختلفة، مما يشير إلى أنه يمكنه التنبؤ بموثوقية بارتفاعات العواصف في كل من السيناريوهات القصيرة والطويلة الأجل. تؤكد النتائج على التطبيقات المحتملة لهذا النموذج التنبؤي في البيئات التشغيلية، حيث يمكن أن تعزز التوقعات في الوقت المناسب من عمليات اتخاذ القرار وتخصيص الموارد. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول ديناميكيات أحداث الارتفاع وفعالية النمذجة التنبؤية في هذا السياق.
المناقشة
في هذا القسم، يناقش المؤلفون الجوانب الحرجة لاختيار المدخلات وتوصيف عدم اليقين لتطوير نماذج بديلة تهدف إلى توقع ارتفاعات العواصف. يتم التأكيد على اختيار المتغيرات الجوية ذات الصلة، مثل سرعة الرياح والضغط الجوي، كأمر أساسي لتبسيط عملية النمذجة وتعزيز القابلية للتفسير. تستخدم الدراسة بيانات من ERA-5 وVisual Crossing، مع التركيز على مكونات سرعة الرياح (U10 وV10)، وضغط مستوى سطح البحر المتوسط (MSLP)، ومستويات الارتفاع الحالية كمدخلات. يبرز المؤلفون أهمية استخدام بيانات إعادة التحليل لتدريب نماذج التعلم الآلي، حيث توفر تغطية أوسع مقارنة بالقياسات المباشرة. كما يتناولون تقليل الأبعاد لشبكات المدخلات من خلال تحليل المكونات الرئيسية (PCA)، مما يساعد في إدارة مجموعات البيانات الكبيرة مع الحفاظ على الميزات المهمة، على الرغم من أنه قد يعقد القابلية للتفسير بسبب الطبيعة الإحصائية للمكونات الرئيسية.
علاوة على ذلك، يقدم المؤلفون نظام توقع ارتفاعات يعتمد على الشبكات العصبية الاصطناعية (ANN) يتضمن خوارزمية اختيار نموذج بايزي التكيفية (ABMS) لتحديد عدم اليقين المعرفي وخوارزمية مونت كارلو بايزي التكيفية (ABMC) لأخذ عدم اليقين العشوائي في مدخلات التنبؤ في الاعتبار. تقوم طريقة ABMS بتقييم أداء عدة شبكات مدربة لاشتقاق توقع قوي، بينما تقوم طريقة ABMC بنشر عدم اليقين في المدخلات من خلال أخذ عينات مونت كارلو. يختتم القسم بتوضيح تطبيق النموذج على حوض فرت أوف كلايد، وهي منطقة معرضة للغمر الساحلي، حيث يتم التحقق من صحة نموذج التنبؤ ضد بيانات الارتفاع الملاحظة، مما يظهر إمكانيته في أنظمة الإنذار المبكر في التخفيف من مخاطر الفيضانات.
DOI: https://doi.org/10.1007/s00477-025-02993-3
Publication Date: 2025-05-06
Author(s): Zhenyun Du et al.
Primary Topic: Tropical and Extratropical Cyclones Research
Overview
The research paper presents a novel methodology for forecasting storm surges using machine learning techniques, specifically through the integration of Artificial Neural Networks (ANNs) and an adaptive Bayesian model selection process. This approach addresses the inherent uncertainties in storm surge predictions, which arise from both the forecasted input data—such as mean sea level pressure and wind velocity at 10 m above sea level—and the model itself. By employing a Monte Carlo simulation to propagate input uncertainty, the model generates robust forecasts with associated confidence intervals. The methodology is exemplified through 24-hour storm surge predictions for Millport in the Firth of Clyde, Scotland, demonstrating significant improvements over existing ANN models.
In conclusion, the paper validates a 24-hour surge forecasting model that enhances predictive accuracy by combining Bayesian model averaging with Monte Carlo techniques within a neural network ensemble framework. The Adaptive Bayesian Model Selection approach effectively captures model uncertainty, while the Monte Carlo method quantifies the impact of forecast parameter uncertainties. The model’s operational performance is evidenced by its ability to accurately predict 93% of surge data under 0.75 m and 95% over 0.75 m, with a manageable error boundary of approximately 30-35 cm. This methodology is straightforward to implement and can be adapted for various locations using historical surge height data or reanalysis datasets, indicating its broad applicability in storm surge forecasting.
Introduction
The introduction of the paper addresses the escalating issue of coastal flooding exacerbated by climate change, highlighting projections from the Intergovernmental Panel on Climate Change (IPCC) that anticipate a global mean sea level rise of 0.43 to 0.84 meters by the century’s end. This rise is expected to increase the frequency and severity of flooding events, compounded by more intense storms fueled by warmer ocean temperatures. The necessity for robust early warning systems capable of accurately forecasting storm surges is emphasized, given the complexities and uncertainties involved in hydrological event predictions.
The paper reviews existing methodologies for storm surge forecasting, categorizing them into high-fidelity physics-based models and lower-fidelity statistical models, each with distinct advantages and limitations. Recent advancements in machine learning, particularly artificial neural networks (ANNs), are noted for their potential to enhance forecasting accuracy. The authors propose a novel approach, the Monte Carlo Average Bayesian Model Selection (MCBS), which integrates multiple trained ANN models to quantify both model and input uncertainties. This methodology aims to improve surge height predictions while maintaining computational efficiency, setting the stage for further exploration of its application in real-world scenarios, particularly in the Firth of Clyde region of Scotland.
Results
The section on “Hour Surge Prediction Results” presents the findings from the predictive analysis conducted on surge events. The results indicate a significant correlation between the predictive model’s outputs and actual surge occurrences, demonstrating the model’s effectiveness in forecasting these events. Key metrics, such as precision, recall, and F1-score, were utilized to evaluate the model’s performance, revealing that it achieved a precision of 85% and a recall of 80%, indicating a strong ability to correctly identify surge events while minimizing false positives.
Furthermore, the analysis highlights the model’s robustness across various time intervals, suggesting that it can reliably predict surges in both short-term and long-term scenarios. The findings underscore the potential applications of this predictive model in operational settings, where timely surge predictions can enhance decision-making processes and resource allocation. Overall, the results contribute valuable insights into the dynamics of surge events and the efficacy of predictive modeling in this context.
Discussion
In this section, the authors discuss the critical aspects of input selection and uncertainty characterization for developing surrogate models aimed at predicting storm surge. The choice of relevant meteorological variables, such as wind speed and atmospheric pressure, is emphasized as essential for simplifying the modeling process and enhancing interpretability. The study utilizes data from ERA-5 and Visual Crossing, focusing on wind velocity components (U10 and V10), mean sea level pressure (MSLP), and current surge levels as inputs. The authors highlight the importance of using reanalysis data for training machine learning models, as it provides broader coverage compared to in-situ measurements. They also address the dimensionality reduction of input grids through Principal Component Analysis (PCA), which helps in managing large datasets while preserving significant features, although it may complicate interpretability due to the statistical nature of principal components.
Furthermore, the authors introduce a robust Artificial Neural Network (ANN)-based surge forecasting system that incorporates an Adaptive Bayesian Model Selection (ABMS) algorithm to quantify epistemic uncertainty and an Adaptive Bayesian Monte Carlo (ABMC) algorithm to account for aleatoric uncertainty in forecast inputs. The ABMS method evaluates the performance of multiple trained networks to derive a robust prediction, while the ABMC method propagates input uncertainties through Monte Carlo sampling. The section concludes by outlining the model application to the Firth of Clyde Basin, a region vulnerable to coastal inundation, where the forecasting model is validated against observed surge data, demonstrating its potential for early warning systems in mitigating flood risks.