热带气旋造成的大多数人员伤亡和财产损失是由风暴潮造成的,随着海平面上升与沿岸人口的不断增多,预计风暴潮将给沿海地区带来更多更大的风险。常规数值方法和传统经验方法已经掌握了风暴潮的部分规律,但这仍然是一个非线性非平稳的多变量影响的问题,一直以来各种风暴潮分量之间的相互作用对风暴潮的峰值水位发生时间和发生位置的贡献仍然难以确定。机器学习技术在过去的十多年在地球科学领域展现了很强的灵活性,无论是单纯的数据驱动模型还是结合了机器学习技术的数值模型,为预报员突破预报瓶颈提供了新的角度。本文探讨了机器学习在风暴潮预报中的应用与发展、存在的问题及未来的发展方向。并搭建了机器学习模型用于南海北部沿岸的风暴增水预报。本文的一个创新点在于利用TCRM（Tropical Cyclone Risk Model）合成2000年的合成台风数据库,筛选出特定区域的特定类型的极端类台风,目的是总结极端的虚拟台风以更好的预测未来的实际极端台风。使用并行的海洋模式GOMO（Generalized Operator Model of the Ocean）快速且准确的模拟从中选择的30条合成台风事件引起的风暴潮。从此过程中获得的数据集用于训练LSTM（Long Short Term Model）机器学习模型,验证过程中各个输出站点的均方根误差均小于0.06,相关系数均在0.95以上,取得了很好的拟合效果。在该网络中使用了六个输入参数:台风眼的经纬度、中心低气压、台风的移动速度、最大风速、最大风速半径,对南海北部沿岸的惠州、赤湾、深圳、汕尾、珠海、大万山、闸坡、水东、香港、广州站进行了48小时的“天鸽”、“山竹”台风的后报实验和误差的非参数检验。在精细的15分钟预报时间步长考验下,模型给出了准确的峰值水位初始时刻与峰值极值的预测,从非参数检验中机器学习预报结果与GOMO模式预报结果的对比中可以看到-0.3至+0.3米的误差概率在70%左右,可以作为GOMO的替代模型。由于是同时输出多个站点的风暴增水预测,由于不同站点的地理位置造成的预报难度的不一造成机器学习模型也不能准确捕获增减水过程,如处于障壁岛地形的大万山站,处于半封闭海口的广州站都是预测难度很大的位置。机器学习模型能高精度的模拟台风过境过程的增水幅度,可以准确预测到增水初始时刻、却并不能准确预测何时减水与减水的幅度,这可能由于合成事件中的台风数据的局限性造成的。结果表明,机器学习手段建立的预报系统有替代数值模型的潜力,利用随机台风模型构建的数据库结合机器学习技术将在未来的风暴潮概率预报中具有很强的扩展性和业务应用价值。