Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning for Enhancing Forecasting Accuracy

物理模拟自然过程的结果通常不能完全捕捉到真实世界。这是由于模拟的物理过程和精度的限制等原因造成的。在这项工作中，我们提出并分析了一种基于LSTM的深度学习网络机器学习（ML）架构，用于捕捉和预测飓风事件期间来自测站的实际水位观测对于风暴潮预测模型的系统误差行为。本研究的总体目标是预测物理模型的系统误差，并将其用于事后改善模拟结果的准确性。我们在美国沿海地区的61个历史风暴数据集上训练了我们提出的ML模型，并在飓风伊恩（2022年）的模拟水位数据预测中测试了其性能。我们展示了我们的模型可以在所有测站坐标上持续改善飓风伊恩的预测准确性，而ML模型并不知道飓风伊恩。此外，通过检查使用不同子集的初始训练数据集的影响，包括在飓风路径方面相对相似或不同的一些飓风，我们发现我们可以仅使用六个飓风的子集获得类似质量的偏差校正。这是一个重要的结果，意味着可以将预训练的ML模型应用于实时飓风预测结果，以偏差校正和提高产生的模拟准确性。本研究是为实时风暴潮预测创建偏差校正系统的重要第一步，适用于整个模拟区域。它还提供了一种高度可转移和操作性的方法，用于改善超出风暴潮预测以外的广泛物理模拟场景的准确性。

本文旨在通过使用基于LSTM的深度学习网络机器学习（ML）架构，捕捉和预测飓风事件期间真实水位观测数据与风暴潮预测模型之间的系统误差，从而提高模拟结果的准确性。

本文提出了一种基于LSTM的深度学习网络机器学习（ML）架构，用于预测飓风事件期间真实水位观测数据与风暴潮预测模型之间的系统误差，并使用这种方法来提高模拟结果的准确性。

本文使用61个历史飓风数据集进行训练，测试了其在2022年飓风Ian的预测准确性。实验结果表明，该模型可以一致地改进所有初始数据用于预测的测站坐标的飓风Ian的预测准确性。此外，本文还发现，只使用6个相对相似或不同的飓风数据集子集，就可以获得类似的偏差校正质量。这是一个重要的结果，它意味着可以将预训练的ML模型应用于实时飓风预测结果，以偏差校正和提高产生的模拟准确性。

最近在这个领域中，还有一些相关的研究，例如：1. 'Deep Learning for Hurricane Track Forecasting Using LSTM Neural Networks' 2. 'A Deep Learning Approach to Hurricane Wind Speed Prediction Using Convolutional Neural Networks'。