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。     

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。     

瑞利参数在海浪波高机器学习预测中的应用

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-propagation neural network,BPNN)、长短记忆网络(long short-term memory, LSTM)和支持向量机回归(support vector regression, 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1 h和6 h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0.01 m;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...     

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。     

Multi-step ahead short-term predictions of storm surge level using CNN and LSTM network

Storm surges pose significant danger and havoc to the coastal residents' safety, property, and lives, particularly at offshore locations with shallow water levels. Predictions of storm surges with hours of warning time are important for evacuation measures in low-lying regions and coastal management plans. In addition to experienced predictions and numerical models, artificial intelligence (AI) techniques are also being used widely for short-term storm surge prediction owing to their merits in good level of prediction accuracy and rapid computations. Convolutional neural network (CNN) and long short-term memory (LSTM) are two of the most important models among AI techniques. However, they have been scarcely utilised for surge level (SL) forecasting, and combinations of the two models are even rarer. This study applied CNN and LSTM both individually and in combination towards multi-step ahead short-term storm surge level prediction using observed SL and wind information. The architectures of the CNN, LSTM, and two sequential techniques of combining the models (LSTM–CNN and CNN–LSTM) were constructed via a trial-and-error approach and knowledge obtained from previous studies. As a case study, 11 a of hourly observed SL and wind data of the Xiuying Station, Hainan Province, China, were organised as inputs for training to verify the feasibility and superiority of the proposed models. The results show that CNN and LSTM had evident advantages over support vector regression (SVR) and multilayer perceptron (MLP), and the combined models outperformed the individual models (CNN and LSTM), mostly by 4％–6％. However, on comparing the model computed predictions during two severe typhoons that resulted in extreme storm surges, the accuracy was found to improve by over 10％ at all forecasting steps.     

基于融合U-Net及ConvLSTM的海面高度异常预报方法研究

海面高度异常是反映海洋环境状况的主要变量之一。本文使用1993—2019年的融合月均海面高度异常数据,建立了基于深度学习的海面高度异常预测神经网络模型,提出了基于融合U型网络(U-Net)和卷积长短记忆网络(ConvLSTM)的中长期海面高度异常预报模型。在研究海域0.25°×0.25°的空间分辨率下,模型测试集预报结果的均方根误差和平均绝对误差分别为0.039 m和0.027 m,均优于全连接LSTM预报模型和ConvLSTM+CNN预报模型,为大中尺度的海面高度异常预报提供了新的方法。     

预测有效波高的深度学习模型研究

研究基于RNN、LSTM、GRU深度学习模型,针对NOAA浮标数据集中的44013、44014、44017浮标的数据,通过斯皮尔曼相关性分析提高模型预测效果。实验结果表明,在进行相关性分析后,S-RNN、S-LSTM、 S-GRU的预测效果均比原始RNN、LSTM、GRU模型预测效果好。此外,提出一种基于LSTM的LSTM-Attention 波高预测模型,并进行相关实验,量化LSTM-Attention模型的预测效果,实验结果表明LSTM-Attention模型有更好的预测效果。为评估模型的泛化能力,研究还提出了一种采用邻近浮标数据进行学习,预测浮标缺失数据的方 法。实验结果表明,该方法的预测精度可以达到97.93%。本研究为海浪预测提供了新的方法和思路,也为未来深 度学习模型在海浪预测中的应用提供了参考。     

基于多变量LSTM神经网络模型的风暴潮临近预报

台风的风暴潮是台风引发的一种重要次生灾害，对沿海城市带来的威胁是多方面的。及时准确地预报风暴潮，对沿海地区采取合理措施减少人员伤亡和经济损失具有重要意义。本文利用长短期记忆神经网络 （LSTM） 模型，综合考虑风速、 风向、气压等气象因素和前时序的潮位数据，建立了风暴潮的临近预报模型。结果表明，基于 LSTM 的临近预报模型具有相当的预报技巧，利用前时序的风速和风向数据以及潮位数据建立的模型可对风暴潮潮位进行准确地预测。研究还表明，仅考虑前时序潮位的预测模型误差最大，考虑气压后的模型预测能力有一定进步，而考虑风的要素以后，预测的效果提升更为明显。     

基于非稳态调和分析和长短时记忆神经网络的河口潮位短期预报混合模型

河口潮汐过程受上游径流、外海潮波等综合因素影响,动力机制复杂,潮位预报难度大。本文提出了一种基于非稳态调和分析（NS_TIDE）和长短时记忆（LSTM）神经网络的混合模型,对河口潮位进行12~48 h短期预报。该模型首先对河口实测潮汐数据进行非稳态调和分析,通过与实测资料对比得到分析误差的时序序列;以此作为LSTM神经网络的输入数据,通过网络学习并预测未来12~48 h潮位预报误差,据此对NS_TIDE的预测结果进行实时校正。利用该模型对2020年长江口潮位过程进行了预报检验,结果表明混合模型12 h、24 h、36 h和48 h短期水位预报的均方根误差（RMSE）相比NS_TIDE模型至多分别降低了0.16 m、0.15 m、0.14 m和0.12 m;针对2020年南京站最高水位预测,NS_TIDE模型预报误差为0.64 m,而混合模型预报误差仅为0.10 m。     

海浪对ASCAT散射计反演风场的影响研究

To improve retrieval accuracy, this paper studies wave effects on retrieved wind field from a scatterometer. First, the advanced scatterometer(ASCAT) data and buoy data of the National Data Buoy Center(NDBC) are collocated. Buoy wind speed is converted into neutral wind at 10 m height. Then, ASCAT data are compared with the buoy data for the wind speed and direction. Subsequently, the errors between the ASCAT and the buoy wind as a function of each wave parameter are used to analyze the wave effects. Wave parameters include dominant wave period(dpd), significant wave height(swh), average wave period(apd) and the angle between the dominant wave direction(dwd) and the wind direction. Collocated data are divided into sub-datasets according to the different intervals of each wave parameter. A root mean square error(RMSE) for the wind speed and a mean absolute error(MAE) for the wind direction are calculated from the sub-datasets, which are considered as the function of wave parameters. Finally, optimal wave conditions on wind retrieved from the ASCAT are determined based on the error analyses. The results show the ocean wave parameters have correlative relationships with the RMSE of the retrieved wind speed and the MAE of the retrieved wind direction. The optimal wave conditions are presented in terms of dpd, swh, apd and angle.     

Influence of the type of sea waves on the backscattered radar cross section at medium incidence angles

We consider the influence of the sea surface state on the backscattered radar cross section and the accuracy of the wind speed retrieval from the scatterometer data. We used a joint set of radars and buoys to determine the type of sea waves. Three types of sea waves were distinguished: developing wind waves, fully developed wind waves, and mixed sea. It is shown that the retrieval error of the near surface wind speed using a one-parameter algorithm is minimal in the case of fully developed wind waves. We compared these data with the results of radio-altimeter data analysis and showed that in both cases underestimation of the retrieval wind speed exists for developing wind waves and overestimation occurs for mixed sea. A variety of swell parameters (length of the dominating wave, swell height, swell age) significantly influence the backscattered radar cross section, leading to a growth in the mean square error of the retrieved wind speed during vertical sounding (radio-altimeter data), and only slightly influence the mean square error of the scatterometer data (medium incidence angles). It is necessary to include the information about the parameters of sea waves in the algorithms and take into account the regional wave properties to increase the accuracy of wind speed retrieval.     

Application of deep learning technique to the sea surface height prediction in the South China Sea

A deep-learning-based method, called ConvLSTMP3, is developed to predict the sea surface heights(SSHs).ConvLSTMP3 is data-driven by treating the SSH prediction problem as the one of extracting the spatial-temporal features of SSHs, in which the spatial features are "learned" by convolutional operations while the temporal features are tracked by long short term memory(LSTM). Trained by a reanalysis dataset of the South China Sea(SCS), ConvLSTMP3 is applied to the SSH prediction in a region of the SCS east off Vietnam coast featured with eddied and offshore currents in summer. Experimental results show that ConvLSTMP3 achieves a good prediction skill with a mean RMSE of 0.057 m and accuracy of 93.4% averaged over a 15-d prediction period. In particular,ConvLSTMP3 shows a better performance in predicting the temporal evolution of mesoscale eddies in the region than a full-dynamics ocean model. Given the much less computation in the prediction required by ConvLSTMP3,our study suggests that the deep learning technique is very useful and effective in the SSH prediction, and could be an alternative way in the operational prediction for ocean environments in the future.     

Evaluation of a high-resolution wave hindcast model SWAN for the West Mediterranean basin

This study aims to present an evaluation and implementation of a high-resolution SWAN wind wave hindcast model forced by the CFSR wind fields in the west Mediterranean basin, taking into account the recent developments in wave modelling as the new source terms package ST6. For this purpose, the SWAN model was calibrated based on one-year wave observations of Azeffoune buoy (Algerian coast) and validated against eleven wave buoys measurements through the West Mediterranean basin. For the calibration process, we focused on the whitecapping dissipation coefficient C_ds and on the exponential wind wave growth and whitecapping dissipation source terms. The statistical error analysis of the calibration results led to conclude that the SWAN model calibration corrected the underestimation of the significant wave height hindcasts in the default mode and improved its accuracy in the West Mediterranean basin. The exponential wind wave growth of Komen et al (1984) and the whitecapping dissipation source terms of Janssen (1991) with C_ds = 1.0 have been thus recommended for the western Mediterranean basin. The comparison of the simulation results obtained using this calibrated parameters against eleven measurement buoys showed a high performance of the calibrated SWAN model with an average scatter index of 30% for the significant wave heights and 19% for the mean wave period. This calibrated SWAN model will constitute a practical wave hindcast model with high spatial resolution (˜3 km) and high accuracy in the Algerian basin, which will allow us to proceed to a finer mesh size using the SWAN nested grid system in this area.     

基于深度学习的赤潮发生预报方法研究

赤潮作为海洋灾害,对海洋渔业、生态、经济,以及人类生产、生活造成了严重影响。一直以来,赤潮受到研究者的广泛关注,但由于它的形成机制比较复杂,使得赤潮预报极具挑战性。针对赤潮预报的研究问题,本文收集了厦门海域赤潮发生前后的海洋监测数据,结合皮尔逊相关系数、散布矩阵、复相关系数方法,分析多环境因子与赤潮发生多要素的关联情况,重点采用基于深度学习的LSTM与CNN融合方法,挖掘环境因子的时序依赖,发现序列数据的局部特征,对赤潮发生进行预报。在厦门一号和厦门二号数据集中,本方法在预报未来12 h内的赤潮情况时,RMSE、MAE误差分别达到0.521 8、0.504 3。通过协同对比模型进一步确定赤潮发生的预报概率,在两个数据集上的最终预报准确率分别为67.58%和63.49%。本研究为赤潮的分析预报提供了探索经验,证明了将深度学习方法应用于赤潮预报的可行性。     

台风“灿鸿”影响下海浪的数值模拟研究

台风是影响中国黄东海的强天气现象，其引起的强风、巨浪和台风增水严重威胁着沿海地区人民的生命与财产安全。本文以海浪模式SWAN（Simulating Waves Nearshore）与区域海洋模式ROMS（Regional Ocean Modeling System）为基础，构建了中国黄东海海域在201509号台风“灿鸿”影响下的海浪-海洋耦合模式。通过浮标与Jason-2高度计有效波高数据验证了模式结果的准确性。进行了敏感性实验分析，对比耦合（ROMS+SWAN）与非耦合（SWAN）下以及使用不同地形数据（ETOPO1、ETOPO2、GEBCO）、不同物理参数化方案（风能输入、白冠耗散、底摩擦耗散）下的模拟结果差异。结果发现在射阳与前三岛浮标处，使用GEBCO地形数据（15弧秒间隔）下的模拟效果更好且稳定。在空间分布上，台风中心附近的浪流相互作用显著，在其前进方向右侧表现为耦合的有效波高值低于非耦合有效波高值，差值最高可达1米。选择不同风输入与耗散项方案时的模拟差异主要发生在最大波高处，选择不同的风能输入与白冠耗散项方案带来的差异接近0.4米，而底摩擦项方案选择不同带来的差异接近1米。因而在模拟实际的海况时，需要综合考虑这些因素带来的影响，才能达到SWAN海浪模型最好的海浪模拟效果。     

MEOFIS平台在渤海湾北部海面气温和风速精细化预报中的适用性分析

基于＂动力-统计＂预报方法的MEOFIS（精细化气象要素客观预报）平台以相关模式预报结果为基础,结合历史实况资料建立预报模型,实现站点的精细化预报.利用2009～2011年的T639模式产品和渤海湾北部相关观测站的数据积累统计建模,并对2012～2013年海面4个季节的气温和风速进行预报统计,对比分析该平台在海面气温和风速预报中的适用性.经客观检验,1℃误差范围内,海面各季节的气温和风速预报准确率均高于陆上的预报;海面日最高、日最低和逐3 h气温预报准确率均超过68%,秋季的日最高气温、逐3 h气温和冬季的日最低气温预报最为理想,准确率分别达86.8%、75.2%和78.9%,春季的气温预报整体不理想;显著性检验结果显示：和T639直接输出的结果相比,MEOFIS在各季节的气温预报中具有明显的订正能力.2 m/s误差范围内,过渡性季节春、秋季的日最大风速预报准确率均超过75.0%,夏季的预报效果较差,但逐3 h风速预报准确率最高,达78.0%,冬季的风速预报效果整体不佳;利用总体平均经验模态分解法（EEMD）对各月逐3 h的海面气温和风速预报误差做滤波处理,结果显示MEOFIS平台对这两要素的预报误差均存在明显的双周震荡波,通过滤波可以提高二者预报的准确率,且气温预报准确率的提高更大.预报偏差和方差小的季节,预报准确率的改善更为理想.     

基于变分模态分解和注意力机制的浪高预测

针对海洋中的海浪高度数据存在非线性和非平稳性的特点,海浪高度的预测就变得相对复杂。基于变分模态分解(VMD),在引入注意力机制(AM)的基础上,对传统长短期记忆(LSTM)神经网络算法进行了改进,提出了一种基于混合模型的海浪高度预测算法。算法通过预处理、预测和重构3个主要步骤,对海浪高度的时间序列进行预测。为了比较和说明,以太平洋东北海盆海域和马尾藻海域的4个站点浮标数据进行实验。实验结果表明,本文提出的混合模型(VALM)将海浪高度数据分解为更平稳和更规则的子序列;可以更好的区分数据之间的重要程度,并能够携带更多信息的数据;与支持向量回归(SVR)、人工神经网络(ANN)和LSTM等模型进行比较,VALM模型的预测效果最好且具备一定的鲁棒性。     

2016年南极中山站固定冰冰厚观测分析

极区海冰是全球气候系统的重要组成部分，南极的固定冰普遍存在于其沿海地区，中山站周边固定冰一般在11月中下旬达到最厚。海冰厚度是海冰的重要参数之一，2016年在南极中山站附近3个站点(S1、S2、S3站点)共布放了4套温度链浮标，包括1套SIMBA (Snow and Ice Mass Balance Array)温度链浮标和3套太原理工大学温度链浮标(TY温度链浮标)，SIMBA温度链浮标每天观测4次，TY温度链浮标每小时观测1次。利用浮标观测的温度剖面以及海冰和海水间不同介质温度差异计算得到海冰厚度。在S3站点，同时布放了SIMBA温度链浮标和TY温度链浮标。温度链浮标计算冰厚和人工钻孔观测冰厚比较结果显示，S1站点TY温度链浮标计算的海冰厚度平均误差和均方根误差分别为3.3 cm和14.7 cm，S2站点和S3站点分别为6.6 cm、6.9 cm以及4.0 cm、4.8 cm。S3站点的SIMBA温度链浮标计算冰厚和人工观测冰厚的平均误差和均方根误差为8.2 cm和9.7 cm。因而S3站点TY温度链浮标计算的海冰厚度更接近人工观测的结果。进一步对Stefan定律海冰生长模型进行对比，模型计算得到的海冰生长率为0.1～0.8 cm/d，生长率快于TY温度链浮标的结果，且受积雪影响明显。相比于卫星遥感反演冰厚的误差和观测时段的限制以及有限的人工观测，2种温度链浮标未来对于中山站附近海冰的长期监测均有重要的应用价值。     

长短期记忆神经网络在叶绿素a浓度预测中的应用

针对传统人工神经网络对叶绿素a浓度预测存在训练速度慢、收敛精度低、易陷入局部最优，尤其是无法灵活的利用任意长度的历史信息对叶绿素a浓度进行预测等问题，本文根据海洋各要素与叶绿素a浓度之间的长短期依赖程度，对叶绿素a浓度与各要素间的关系进行界定，分别将各要素与叶绿素a浓度之间的长期依赖关系与短期依赖关系分割开来，并且在长短期记忆(Long Short-Term Memory, LSTM)神经网络模型的基础上构建融合的LSTM预测模型，模型中的长期依赖关系与短期依赖关系分别使用不同的神经元，最终在模型的最上层进行长短期融合。本文选取三都澳站位的连续监测资料作为实验数据，实验结果表明本文构建的模型不仅具有训练误差下降快的优点，与其他3种经典的神经网络模型相比，预测精度也有显著提高。