基于决策树与二分分割算法的BP神经网络在赤潮等级预测中的应用研究

针对赤潮灾害等级预测难的现状,提出了一种基于C4.5决策树与二分分割算法优化的BP(反向传播)神经网络赤潮等级预测模型。该模型针对传统BP神经网络输入参数难以选择和隐含层节点数量难以确定的问题,通过决策树分类获取最优的属性组合,来解决输入参数难以选择的问题;通过"二分分割算法",来解决隐含层节点数难以确定的问题。实验结果表明,该模型在青岛近海海域赤潮灾害等级预测中,预测结果的均方根误差(RMSE)小于传统BP神经网络的预测误差,并且在网络训练时间上有所缩短,预测精度上有所提高,能够获得良好的预测结果,可为赤潮等级预测提供新的解决方法。     

一种改进的VMD-XGBoost验潮站月海面高序列预测模型

海平面不断上升威胁人类的生命安全,高精度的海平面预测对人类预防水文灾害具有重要意义。现有的预测方法因验潮站数据为单一时间序列而难以进行高精度预测。针对此问题,提出一种融合变分模态分解(VMD)和极度梯度提升算法(XGBoost)的变分模态分解-极度梯度提升预测模型,简称VMD-XGBoost模型。与XGBoost模型、卷积神经网络与长短期记忆神经网络混合模型(CNN-LSTM)、变分模态-卷积神经网络与长短期记忆神经网络混合模型(VMD-CNN-LSTM)对比,对荷兰沿岸海平面验潮站时间序列进行预测。验潮站预测结果分析表明：相较于XGBoost模型,VMD-XGBoost模型预测结果的均方根误差平均降低65.43%,平均绝对误差平均降低63.79%,平均绝对百分比误差平均降低63.44%,且相较于VMD-CNN-LSTM模型,VMD-XGBoost模型在验潮站海面高序列预测上具有更高预测精度,可实现高精度验潮站时间序列预测。     

舟山渔场渔业资源可持续利用水平的灰色评价与预测

采用灰色系统理论对渔业资源可持续利用水平的评价和预测方法进行了探讨，建立了渔业资源可持续利用水平的灰色聚类评价模型和灰色BP（误差反向传播）神经网络预测模型。在此基础上，根据舟山市1954--2005年有关渔业资源环境、经济和社会状况的指标，对舟山渔场渔业资源可持续利用水平进行了评价与预测，阐述了舟山渔场渔业资源可持续利用水平的变化过程。对舟山渔场渔业资源可持续利用水平的预测结果表明，由灰色BP神经网络预测模型预测的平均相对误差为1．88％。     

基于LSTM的海洋表面短期风速预测研究

为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,long short-term memory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radial basis function neural network,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。     

基于遗传算法和BP神经网络的海洋工程材料腐蚀预测研究

为提高海洋工程材料腐蚀速率预测的精度，提出了一种基于遗传算法（GA）优化反向传播（Back Propagation，BP）神经网络的海洋工程材料海洋环境腐蚀速率预测模型。通过遗传算法对BP神经网络的权值和阈值进行优化，利用优化后的BP神经网络对试验数据进行预测。GA-BP模型选取具有代表性的2Cr1312不锈钢、Q235B碳钢和6082铝合金三种基本海洋工程材料数据进行试验，预测结果误差小于传统BP神经网络，并且在网络训练时间上有所缩短，预测精度上有所提高。本模型在海洋工程材料于海洋环境中腐蚀速率的实际预测中具有良好的推广价值。     

基于多变量LSTM神经网络模型的PDO指数预测研究

利用1921–2020年的海平面气压、海平面高度、热含量数据以及海冰密集度作为太平洋年代际振荡（Pacific Decadal Oscillation, PDO）指数的预报要素,建立了关于PDO指数时间序列预测的多变量长短期记忆（Long Short Term Memory, LSTM）神经网络模型,对比分析了2011–2020年不同时间序列预测模型的PDO指数预测结果,最后利用多变量LSTM神经网络模型实现了2021–2030年的PDO指数预测。结果显示,多变量LSTM神经网络模型的预测值与观测值经过交叉验证后的平均相关系数和均方根误差分别为0.70和0.62;PDO未来10年将一直处于冷位相,PDO神经网络指数出现两次波动,于2025年出现最小值。相比于其他时间序列预测模型,本文采用的多变量LSTM神经网络模型预测结果误差小、拟合效果好,可以作为一种新型的预测PDO指数的手段。     

基于小波变换和LSTM神经网络的格陵兰岛近海海域海平面变化预测

海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。     

基于支持向量机预测安达曼海南部内孤立波传播特性

内孤立波是发生在密度稳定层化海水中的一种特殊的海洋内波。预测内孤立波传播难度较大。本文提出了一种方法,利用美国麻省理工学院大气环流模型（MITgcm）的内孤立波模型计算了大量模拟数据,建立数据库。采用机器学习的方法,建立一个基于支持向量机（support vector machine,SVM）的安达曼海南部内孤立波传播预测模型。最后运用安达曼海南部的Sentinel-1A合成孔径雷达（SAR）图像对内孤立波传播预测模型结果进行检验。结果表明：基于SVM的内孤立波传播时间预测模型预测的时间平均绝对百分比误差为8.43%,平均绝对误差为1.00 h。基于SVM的内孤立波到达位置预测模型预测的位置平均绝对百分比误差为0.071%,平均绝对误差为0.069°。基于SVM的内孤立波振幅预测模型预测的振幅范围为23.80~84.98 m。     

用混沌理论提高潮汐预报的准确度

为提高潮位预报的准确性,在具有较长潮汐观测数据的站点,基于混沌理论,对观测值与潮汐模型预测值之差所构成的余水位序列(即误差序列),采用局域线性模型的分析方法,给出可能误差预测,修正模型的预报结果,提高潮汐预报的准确性。所给例子,对预测跨度T=2 h,经局域法修正后,崇武站2007年12月份1个月预测水位统计的RMSE值减少74.7%,厦门站减少60.5%;对T=24 h,崇武、厦门两站RMSE值减小都在50%左右。     

长江口流域亚硝酸盐预测模型与分析

营养盐是控制长江口流域富营养化的关键因子之一。分析亚硝酸盐与其影响因子之间关系,引入人工智能方法,基于弹性BP神经网络,建立亚硝酸盐非线性预测模型,目的是通过影响因子在线监测,间接实现亚硝酸盐在线监测。依据神经网络权值和阈值获取方法不同,形成基于弹性BP神经网络、基于遗传算法和弹性BP神经网络,和基于改进的遗传算法和弹性BP神经网络的亚硝酸盐预测模型3种。通过仿真实验,分析3种模型对亚硝酸盐预测的影响,发现基于改进的自适应遗传算法和弹性BP神经网络的亚硝酸盐模型预测效果最优,为选择合适模型提供依据。     

A forecasting model for wave heights based on a long short-term memory neural network

To explore new operational forecasting methods of waves, a forecasting model for wave heights at three stations in the Bohai Sea has been developed. This model is based on long short-term memory(LSTM) neural network with sea surface wind and wave heights as training samples. The prediction performance of the model is evaluated,and the error analysis shows that when using the same set of numerically predicted sea surface wind as input, the prediction error produced by the proposed LSTM model at Sta. N01 is 20%, 18% and 23% lower than the conventional numerical wave models in terms of the total root mean square error(RMSE), scatter index(SI) and mean absolute error(MAE), respectively. Particularly, for significant wave height in the range of 3–5 m, the prediction accuracy of the LSTM model is improved the most remarkably, with RMSE, SI and MAE all decreasing by 24%. It is also evident that the numbers of hidden neurons, the numbers of buoys used and the time length of training samples all have impact on the prediction accuracy. However, the prediction does not necessary improve with the increase of number of hidden neurons or number of buoys used. The experiment trained by data with the longest time length is found to perform the best overall compared to other experiments with a shorter time length for training. Overall, long short-term memory neural network was proved to be a very promising method for future development and applications in wave forecasting.     

Comparison of Near Coastal Significant Wave Height Measurements from SARAL/AltiKa with Wave Rider Buoys in the Indian Region

Significant Wave Height (SWH) measurement data from the AltiKa Radar Altimeter (RA) for the first 13 cycles of satellite coverage are compared with the SWH from Wave Rider Buoys (WRB) located at nine stations along the Indian coast to assess the performance of the altimeter over the coastal region. AltiKa SWH observations within a 30-minute interval and 50 km distance from WRBs are found to be over estimated by 6%, the Root Mean Square Error (RMSE) is 0.36 m, the Scatter Index (SI) is 26%, and the correlation coefficient (r) is 0.91. Relaxing the distance criteria by 50 km leads to increase in RMSE and deterioration of r to 0.89. There is a marked difference in the statistics on the comparison pairs pooled separately for the buoys near west and east coasts, with the latter showing RMSE error 26% more than the former. The method of Cressman weights adopted to correct for the errors arising out of the temporal and spatial differences in altimeter and buoy data comparison pairs resulted in reduction of RMSE by 5% and 25%, respectively, for the 30-minute and 50 km criteria and 4% and 56% for the 30-minute and 100 km criteria.     

基于OLCI数据的杭州湾悬浮物浓度估算及其产品适用性分析

悬浮物含量及其时空分布是河口海岸环境中关心的热点问题。2016年2月16日，欧洲航天局发射了新一代海洋水色传感器(OLCI)，该传感器具有良好的时空及光谱分辨率。本研究结合2017年7月杭州湾同步采样数据，对比了6种大气校正算法和8种悬浮物浓度(TSM)估算模型，遴选和分析了适宜于杭州湾和OLCI数据的大气校正方法和TSM估算模型，验证了OLCI数据二级产品精度和适用性。结果表明:(1)基于紫外光谱的大气校正算法(UVAC)精度最高，同步4个采样点的大气校正平均相对误差(MAPE)分别为34.21%、13.11%、5.92%和20.28%。在除Oa1以外的14个波段的MAPE均值为15.23%，Oa4至Oa10波段的MAPE低于8%；(2)基于Oa16/Oa5的波段比值模型，具有良好的建模(MAPE为16.49%，RMSE为50.92 mg/L)和验证(MAPE为19.08%，RMSE为19.29 mg/L)精度及模型稳健性；(3)基于C2RCC算法的固有光学量和TSM含量产品及OLCI二级TSM含量产品在杭州湾精度较差，不适用于杭州湾TSM和固有光学量遥感监测应用；(4)空间上，TSM在杭州湾中部区域含量较低，在杭州湾南岸和湾口区域含量较高。     

基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

基于海洋气象历史观测资料和再分析数据等，利用LSTM深度神经网络方法，开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域，通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子，分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析，得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差，RMSE分别降低了41.3%和38.8%，MAE平均降低了43.0%和40.0%；风速误差统计和极端大风分析发现，LSTM模型能够抓住地形、短时大风和台风等敏感信息，对于大风过程预报结果明显优于WRF模式；两种LSTM模型对比发现，ALL_LSTM模型风速预报误差最小，具有很好的稳定性和鲁棒性，OBS_LSTM模型应用范围更广泛。     

Shoreline change analysis and its application to prediction: A remote sensing and statistics based approach

Shoreline change analysis and prediction are important for integrated coastal zone management, and are conventionally performed by field and aerial surveys. This paper discusses an alternative cost-effective methodology involving satellite remote sensing images and statistics. Multi-date satellite images have been used to demarcate shoreline positions, from which shoreline change rates have been estimated using linear regression. Shoreline interpretation error, uncertainty in shoreline change rate, and cross-validation of the calculated past shorelines have been performed using the statistical methods, namely, Regression coefficient (R²) and Root Mean Square Error (RMSE). This study has been carried out along 113.5 km of coast adjoining Bay of Bengal in eastern India, over the time interval 1973 to 2003. The study area has been subdivided into seven littoral cells, and transects at uniform interval have been chosen within each cell. The past and future shoreline positions have been estimated over two time periods of short and long terms in three modes, viz., transect-wise, littoral cell-wise and regionally.The result shows that 39% of transects have uncertainties in shoreline change rate estimations, which are usually nearer to cell boundaries. On the other hand, 69% of transects exhibit lower RMSE values for the short-term period, indicating better agreement between the estimated and satellite based shoreline positions. It is also found that cells dominated by natural processes have lower RMSE, when considered for long term period, while cells affected by anthropogenic interventions show better agreement for the short-term period. However, on regional considerations, there is not much difference in the RMSE values for the two periods. Geomorphological evidence corroborates the results. The present study demonstrates that combined use of satellite imagery and statistical methods can be a reliable method for shoreline related studies.     

西北太平洋夏季海浪数值模拟研究

为了解第三代海浪模式SWAN在西北太平洋海浪模拟效果,利用2013年7月期间Jason-2卫星高度计观测资料,通过计算模拟值和观测值的绝对误差、均方根误差和进行逐日统计、分级统计、一次台风过程的统计,对FNL风场资料驱动SWAN模式的西北太平洋海浪数值模拟有效波高进行了检验。检验结果表明,模式对较小波高模拟效果较好,模拟波高与实测值误差在可接受的范围之内,可满足业务化预报的要求,但对较大波高的模拟存在一定的误差,且驱动风场的精细化水平直接影响模拟效果。     

Prediction of visibility in the Arctic based on dynamic Bayesian network analysis

With the accelerated warming of the world, the safety and use of Arctic passages is receiving more attention.Predicting visibility in the Arctic has been a hot topic in recent years because of navigation risks and opening of ice-free northern passages. Numerical weather prediction and statistical prediction are two methods for predicting visibility. As microphysical parameterization schemes for visibility are so sophisticated, visibility prediction using numerical weather prediction models inclu...     

基于粒子群算法优化的BP神经网络在海水水质评价中的应用

针对目前存在的海水水质受多因素影响、评价难的现状，提出了一种基于粒子群算法（PSO）优化误差反向传播（BP）神经网络的海水水质评价模型。该模型通过PSO得到BP神经网络最优的权值和阈值，结合青岛东部海域10个监测站点的数据得到水质评价结果。实验证明，该模型和单因子评价、传统的BP神经网络评价相比较，具有训练时间短、预测精度高的特点，在海水水质评价中具有良好的应用价值。