Implicit Assimilation of Sparse In Situ Data for Dense & Global Storm Surge Forecasting

飓风和沿海洪水是最具破坏性的自然灾害之一。二者与风暴潮密切相关，前者是其原因，后者是其影响。然而，短期风暴潮预测一直是个挑战，特别是在目标地点是以前未见过的或没有潮汐计的地方。此外，最近的工作改善了短期和中期天气预报，但原始未同化数据的处理仍然是非常困难的。在本文中，我们应对这两个挑战，并展示神经网络可以隐式地将稀疏的现场潮汐计数据与粗糙的海洋状态再分析相结合，以预测风暴潮。我们精选全球数据集来学习和验证风暴潮的密集预测，借鉴了之前的研究。除了之前仅限于已知潮汐计的工作外，我们的方法还适用于未知位置，为全球风暴潮预测铺平了道路。

本论文旨在解决飓风和沿海洪水等灾害性自然灾害的短期预测问题，特别是在目标位置或没有潮汐计的站点的情况下。

本论文提出了一种神经网络方法，将不足的现场潮汐计数据与粗糙的海洋状态再分析相结合，以预测风暴潮。该方法不仅适用于已知计量器的位置，还适用于未知计量器的站点，为全球风暴潮预测铺平了道路。

本论文使用全球数据集来学习和验证风暴潮的密集预测，并且实验结果表明，神经网络可以隐式地同化现场潮汐计数据和海洋状态再分析数据以预测风暴潮。本论文的方法相比之前的研究有创新之处，因为它可以处理未知计量器的站点，而且可以全球范围内预测风暴潮。

最近的相关研究包括使用机器学习方法来预测风暴潮，如基于深度学习的方法和基于统计学习的方法。