基于多种神经网络的风暴潮增水预测方法的比较分析

简要介绍了利用BP神经网络、小波神经网络、递归神经网络进行风暴潮增水值预测的原理。选取广东省珠江口以南的阳江站2017年风暴潮增水数据进行测试。结果表明,三种神经网络方法针对阳江地区风暴潮增水的预测均具有可靠性和实用性。以当前增水值为输入量的单因子模型更能反映真实风暴潮增水趋势,而从增水极值预测的准确性来看,以台风风力、气压、风向等相关参数为输入量的多因子模型优于单因子模型。BP神经网络更适用于多因子长时间预测,小波神经网络在单因子短时间预测上准确性更高,递归神经网络预测值与实测值相关性更强。在工程运用中,需根据地域时空特点、数据资料的丰富度与预测值评估指标选择合适的方法。     

基于改进的神经网络方法的风暴潮灾害经济损失预测

风暴潮灾害一直以来对中国东南沿海地区的社会经济发展具有较为严重的负面影响, 是对中国造成危害最为严重的海洋灾害之一, 建立一个准确有效的损失评估模型进行风暴潮灾害损失预测, 对风暴潮灾害的预防具有重要的意义。本文在现有研究的基础上收集了2000—2018年中国东南沿海的琼、粤、闽、浙等省份记录较为完整的风暴潮灾害相关数据, 在综合考虑危险性、承灾体脆弱性、孕灾环境和防灾减灾能力的基础上, 建立起更为完整的风暴潮灾害损失的指标体系。相较于单一的BP神经网络, 本文在借鉴机器学习相关理论的基础上搭建了差分进化灰狼算法(DEGWO)优化的BP神经网络, 对样本进行训练和仿真测试。结果表明, 通过DEGWO算法优化后的模型误差更小, 数据的拟合程度更高, 对比而言, 提高了风暴潮灾害损失预测的精确性, 能够为风暴潮灾害损失预测的研究提供新的思路, 同时也为风暴潮灾害的防灾减灾管理提供了指导。     

胶州湾风暴潮增水重现值的长期预测

以胶州湾30 a风暴潮过程的极值增水值为统计序列,按照年、季、月等不同时段,分别抽样极值增水样本,提出泊松最大熵分布,采用年极值法和过阈法对增水重现值进行长期预测,统计分析结果对于胶州湾防潮减灾有参考作用,其随机分析方法对于遭受风暴潮影响的海岸区域有借鉴意义。     

基于相空间重构与模糊神经网络耦合的海温预测模型

在海温预报中引入混沌理论,将相空间重构理论与模糊神经网络相结合,建立了海温预测模型.通过相空间重构,把一维海温时间序列拓展为多维序列,而多维序列包含着各态历经的信息,从而挖掘出了丰富的海温变化空间的信息,有利于模糊神经网络的训练.利用建立好的模糊神经网络模型,对海温预报问题进行了建模、训练和预测.实际的预测结果表明,该模型预报精度较高,预测结果可以为业务工作提供一定的参考与借鉴.     

风暴潮增水长期模拟结果的订正方法研究

利用7个验潮站逐时观测数据与国家海洋环境预报中心业务化风暴潮模式结果进行对比分析,分别采用趋势订正(TSC法)和统计偏差订正(SBC法)两种方法对模拟的风暴潮增水长时间序列进行订正,以提高模拟结果的可靠性。研究结果表明:模拟的风暴潮较观测频次明显偏多且强度偏强,2008—2011年期间模拟的7个站点发生50 cm以上风暴潮的年平均总频次较观测高估238%,且年最大增水值的年平均较观测偏高28.7—104.7 cm。经过TSC和SBC两种方法订正后,其误差显著性减小,年平均总频次分别较观测(226.5次)偏少2%和47%,年最大增水值的年平均偏差分别在-9.8—17.3 cm和-23.7—4.3 cm之间。另外,TSC方法订正后的风暴潮频次和最大增水在数值上较SBC方法更接近于观测,而SBC方法订正后的风暴潮频次、最大增水的季节变化趋势与观测更为一致,其与观测的相关系数在一些站点由订正前的0.2左右提升到0.8以上。     

基于相空间重构与模糊神经网络的海温垂直分布预测模型

在海温预报中引入混沌理论,将相空间重构与模糊神经网络相结合,提出了海温垂直建模预测模型。通过相空间重构,把海温时间序列拓展为多维序列,而多维序列包含着各态历经的信息,从而挖掘出了丰富的海温变化空间的信息,有利于模糊神经网络的训练。利用建立好的模糊神经网络模型,较好地对海温的垂直结构进行了建模、训练和预测。实际的预测结果表明,该模型预报精度较高,超前1~5个月的预测值的相对误差均控制在10%以内,预测结果可以为业务工作提供一定的参考与借鉴。     

镇海站强风暴潮增水特征分析

宁波镇海海洋站为浙北沿岸较典型的验潮站,且其风暴潮增水资料序列也相对较长。文中通过对近几十年来镇海站70 cm以上风暴增水过程的分析,研究其强风暴潮增水过程的总体特征。文章还具体分析了3种不同路径台风造成的强风暴潮增水的特点,从而为以后该站强风暴潮增水的预报提供借鉴。     

EMD方法在中国沿岸风暴潮增水分析中的应用

海岸是风暴潮发生的区域,由于该区域位于大气、海洋、陆地的交汇处,受到多种因素的共同影响,因此风暴潮过程的机理复杂。通常当风暴增水叠加在正常的天文高潮时,引发最为严重的影响。利用经验模态分解(EMD-Empirical Mode Decomposition)的方法,对中国沿海的潮位站的水位波进行分解。EMD分解得到的增水曲线与低通滤波后的调和分析的增水曲线基本一致。利用该方法,进一步的分析台风造成的福建沿海测站的风暴增水的异同。结果表明:台风经过台湾海峡南、北部和进入海峡时,都会造成福建沿岸各站的增水,增水的幅度与各站距离台风中心的距离有关,各站的增水时间差异很小。然而,通过两次热带气旋期间中国东部沿岸多个潮位站的分析发现,台风在东海产生的增水会以开尔文波的形式传播进入台湾海峡,造成福建沿岸异常的增水现象。     

日照地区风暴潮增水重现值计算

为给政府、规划、设计部门决策提供参考,采用组合分布法对日照地区风暴潮增水的重现值进行了计算。提出了以台风发生强烈的季节和月份进行统计抽样统计的替代方法,简化了工程设计初期的数据处理工作量;并给出了适用于日照地区风暴潮增水的分布模式。与传统的年极值法和过阈法相比,该方法考虑了风暴潮增水的季节变化,物理意义更趋明确。     

人工神经网络在风暴潮增水预报中的应用

本文根据1967～1982年问影响湛江站增水的热带气旋资料，选取了其中对湛江站增水影响比较显著的因子，运用人工神经网络中的BP算法，建立了湛江站风暴潮增水预报的人工神经网络模型，并使用贝叶斯优化算法提高了BP网络模型的预报能力，结果表明所建BP网络模型的训练拟合效果和预报效果都比较好。表明该网络模型可以用于湛江站风暴潮增水的预报。同时本文也为其它的港口、码头等近岸海洋工程风暴潮增水的预报提供了一个有效可行的方案。     

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。     

基于神经网络的潮汐预报方法初探

文章运用非调和法,直接从引起潮汐现象的天文因素入手,以2002年香港验潮站实测资料为例,用神经网络对潮汐知识进行了学习仿真,对未知结果进行了预报。将预报结果和潮汐表比较,结果表明,此方法可行,预报精度比潮汐表略有提高。     

基于双隐层ANN模型的叶绿素a浓度智能预报方法

利用2019年5月WZ02生态浮标监测数据,建立了两种不同隐层人工神经网络(ANN)模型的叶绿素a(Chl-a)智能预报方法,并对单隐层和双隐层模型的预测结果做了对比.结果表明:双隐层结构预测结果精度更高,泛化能力更强,一定程度上说明了深层学习比浅层学习对信息的主要特征提取能力更有优势.同时,对数据样本集合进行了系统预...     

Neural network prediction of a storm surge

The occurrence of storm surge does not only destroy the resident's lives, but also cause the severe flooding in coastal areas. Therefore, accurate prediction of storm surge is an important task during the coming typhoon. Conventional numerical methods and experienced methods for storm surge prediction have been developed in the past, but it is still a complex ocean engineering problem which many factors, including the central pressure of typhoon, the speed of the typhoon, the heavy rainfall, coastal topography and local features influence the variation of storm surge. In fact, this problem is still a complex nonlinear relationship that can not solved efficiently by these two methods. Therefore, this paper presents an application of the neural network for forecasting the storm surge. The original data of Jiangjyun station in Taiwan will be used to test the performance of the present model. The results indicate that the neural network can be efficiently forecasted storm surge using the four input factors, including the wind velocity, wind direction, pressure and harmonic analysis tidal level.     

基于二元LSTM神经网络的船舶运动预测算法研究

在海况环境下,进行船舶运动预测时.由于惯性传感器采集系统本身的电学特性,会产生误差偏移,影响预测的准确性.针对这一问题,在常规长短期记忆网络(LSTM)的基础上,设计改良了一种二元的LSTM网络架构.在船舶运动仿真平台上进行模拟船舶升沉运动实验,并通过惯性传感系统测量仿真平台实时积分位移进行计算验证.验证统计该网络预测...     

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。     

基于集合经验模态分解与BP组合模型的短期余水位预测

水位在忽略观测误差的前提下,可分解为潮位和余水位,后者具有较强的空间相关性以及非平稳特征,是影响水位预报精度的主要因素。港口工程、航运计划编制等方面对实时高精度水位预报具有重要需求,这对余水位预报模型构建提出了更高要求。另外,利用高精度余水位预报模型可减少验潮站布设数量。针对余水位短期预测模型精度不高的现状,本文对余水位进行集合经验模态(EEMD)分解,获得余水位在时间序列上的本征模函数(IMF);使用快速傅立叶变换(FFT)分析各本征模函数的频谱特征;再利用BP神经网络对各个本征模函数进行训练,预测了未来6 h、12 h、24 h的余水位值。对哥伦比亚河下游河口处的3组典型验潮站的余水位数据的预测结果表明,在未来6 h、12 h内的余水位的预测精度达到厘米级,在24 h内接近厘米级,证明了该组合模型在余水位短期预测方面的可行性。