瑞利参数在海浪波高机器学习预测中的应用_NormalPdf.docxVIP

第55卷第2期海洋与湖沼Vol.55,No.2

2024年3月OCEANOLOGIAETLIMNOLOGIASINICAMar.,2024

瑞利参数在海浪波高机器学习预测中的应用*

胡明浩1谢玲玲1,2,3①李明明1,2,3梁朋1,2,3

(1.广东海洋大学海洋与气象学院近海海洋变化与灾害预警实验室广东湛江524088;2.陆架及深远海气候、资源与环境广

东省高等学校重点实验室广东湛江524088;3.自然资源部空间海洋遥感与应用重点实验室广东湛江524088)

摘要海浪直接影响海上活动和航行安全,同时也蕴藏着巨大的可再生能源,对海浪核心参数之

一波高预测至关重要。基于2015年7月~2022年6月山东小麦岛(36°N,120.6°E)站点实测的波高数据,利用反向传播神经网络(back-propagationneuralnetwork,BPNN)、长短记忆网络(longshort-termmemory,LSTM)和支持向量机回归(supportvectorregression,SVR)三种机器学习模型对波高进行预测,并分析了瑞利参数的引入对预测结果的影响。结果显示,模型输入项引入瑞利参数后,对1h和6h波高预测提升效果有限,预测值与测试集的相关性提升不超过0.02,均方根误差的降低不超过0.01m;在12h和24h的预测中,BPNN和LSTM模型预测结果相关性提升0.03~0.07,均方根误差降低0.02~0.03m,而SVR模型预测结果变化不显著。说明瑞利参数有助改善BPNN和LSTM模型中长期海浪预报。此外,特征扰动方法(机器学习中特征重要性的计算方法之一)验证了瑞利参数在波高预测中的重要性,瑞利参数的引入为波高的机器学习预测提供了新思路。

关键词波高;反向传播神经网络;长短记忆网络;支持向量机;机器学习;瑞利参数

中图分类号P731doi:10.11693/hyhz20230900180

海浪是海洋中一种常见的、复杂的波动现象,受风速、风向、地形等因素的影响。海浪波高的时空变化很大,其通常为几厘米到几米,但在深远海以及极端天气条件下可达几十米。海浪的随机性对海上航行安全、海上作业以及海洋能的开发利用等带来了挑战。波高是描述波浪特征的核心参数之一,准确地预测波高对保障海上安全、提高波浪能利用率和能源结构稳定性具有重要意义(Deoetal,2001;Jainetal,2006,2011;Dixitetal,2016)。

波高的预测一直都是海浪研究的热点问题(陈希等,2002)。传统的预测主要为经验预测(Wilson,1965;Geetal,2016)和数值模型预报(Hasselmannetal,1973;Lionelloetal,1998;TheSwampGroup,2013)。经验预测是通过对历史观测数据按照时间先后进行外推,进而得到相关海浪状态的预期数值。这种方法主要依靠历史数据和传统分析相结合,在实用性和

准确度方面都存在较大局限性(孟雷等,2010)。随着数学和计算机科学的发展,数值模拟成为海浪预报的主要手段,先后发展了SWAN(梁小力等,2015)和WAVEWATCH-Ⅲ(Wangetal,2017)等多个海浪预报模式。然而,数值模拟需要高性能计算机和显著的时间成本(Etemad-Shahidietal,2009;Wangetal,2018),难以满足紧急情况下的快速预报。近几年,随着人工智能技术发展,各种神经网络或混合模型逐步用来预测海浪高度(Deoetal,2001;Jamesetal,2018)。Deo等(1998)提出了一种前馈网络来实时预测海浪高度,发现与自回归模型相比,该方法具有更强的通用