基于图形处理器的海浪仿真研究

提出了一种新的海浪数学模型构造算法,利用基本噪音函数构建Perlin噪音函数,并利用Perlin噪音函数生成的高度场为海浪中的水质点提供高度采样源。同时针对海浪仿真中计算量大的问题,以及依赖CPU完成图形运算的不足,提出用图形处理器(GPU)中的顶点着色器和像素着色器实现海浪的仿真,以平衡CPU和GPU的负载,确保仿真实时和逼真的视觉效果。     

用MC算法优化基于SPH的海浪粒子模型

结合风浪场复杂的动力学、时空特性以及对目前海浪仿真方法的研究总结,针对海浪仿真模拟中存在的真实感不足,难以模拟海浪破碎等问题,根据流体的物理特性,采用光滑粒子流体动力学(SPH)的方法实现了海浪的动态演变仿真。然后针对基于SPH方法的海浪粒子模型存在的离散性和真实感较差的问题,采用一种基于移动立方体法(MC)的海浪运动的自由表面抽取算法,完成了海浪场的表面建模,优化了基于粒子系统的海浪模拟效果。实验表明,用MC算法优化的方法既满足了海浪动态演变的仿真要求,又使水体模型更加连贯,更接近真实水体效果,优化效果较为明显,是综合利用体绘制与面绘制法实现三维可视化模拟的一次成功的探索。     

基于三阶斯托克斯波的谱估计及海浪数值模拟研究

为了拓宽建立深水非线性海浪频谱模型的研究途径,基于三阶斯托克斯波理论,提出了以改进的三阶斯托克斯波为组成波,以修正的自回归模型(AR)谱估计方法得到的估计谱(简称新谱)为靶谱的非线性海浪模型。通过基于模拟频谱和相位谱反演海浪波面高度时间序列(以下简称海浪时历反演方法)的谱比较方法验证了新谱的优越性,为从根本上解决精确评估海浪谱提供了技术支撑,对于增强未来掌控海战场具有重要意义。     

未破碎变浅随机海浪的波面高度概率分布

利用青岛海洋大学物理海洋实验室现代化的大型水槽,设计进行了多种海浪强度下,由深水传入近岸不同坡度水底上的变浅随机海浪的实验.依据实验资料分析结果表明,对变浅非正态海浪过程而言,其波面高度分布取Gram-Charlier级数前3项,所得结果与实验分布符合良好.该分布中σ、λ₃、λ₄3个参量是测点水深和波浪强度的函数,并获得了与无因次参量Hs/d之间的经验关系,为预测变浅随机海浪的波面高度分布提供了可能.     

现代海浪功率谱估计的改进算法

海浪谱是随机海浪的一个重要统计性质,它不仅包含着海浪的二阶信息,而且还直接给出了海浪组成波能量相对于频率和方向的分布。谱方法已经成为研究海浪及其有关问题的有力工具。文中主要参照现代谱估计中的THREE谱估计方法,对基于Kullback-Leibler度量的随机信号的功率谱估计方法中优化参数的求解算法进行了改进,并与基于Hellinger度量的谱估计方法进行了比较。通过数值模拟和谱分析证实基于这两种度量的功率谱估计算法都能有效地避免谱线分裂和谱峰偏移现象。     

海浪预报三维动画计算原理与制作方法

研究了基于线性海浪模型制作三维动画海浪预报产品的制作方法,并制作了首个三维动画海浪警报产品.基本步骤为:由线性海浪模型生成一系列不同波高和波长的二维海面高度场,以及这些波面高度场对应的反光系数场;根据海浪预报图中波高的空间分布情况将不同波高的波面高度场拼接成复合的波面高度场,同时拼接出与之对应的复合反光系数场;由复合的...     

基于PXI-9820对海浪雷达回波采集的设计与实现

针对利用X波段海浪雷达回波图像反演海浪参数(波高、波向、波周期)的需要,而海浪雷达回波信号的采集和存储是利用雷达回波图像序列反演海浪参数的必要前提,提出了基于PXI-9280 A/D采集卡对X波段海浪雷达回波进行采集的方案.具体介绍了PXI-9280 A/D采集卡的功能特性,海浪雷达回波信号样式,设计并完成了基于VC 6.0的采集和存储软件,并对使用该采集卡需要注意的实际问题给予说明.此外,还搭建了实验平台,给出了基于PXI-9280 A/D采集卡在我国南海某海域中采集数据并回放得到的海浪雷达回波图像,得到较满意的结果.     

基于SAR海浪方向谱的中国海海浪特性研究

基于Hasselmanns提出的SAR反演海浪方向谱的MPI算法,对2003-2012年间的中国海Envisat ASAR波模式数据进行了海浪方向谱反演。统计由反演的海浪方向谱得到的海浪有效波高数据,依据海浪浪级的划分,分析了中国海海浪浪级的分布特点,获得一些有参考价值的结果:(1)中国海3-4级海况的年出现概率最高,达85%;(2)中国海累月不同浪级的海浪出现概率分布符合高斯分布函数:f(x)=a*exp(-((x-1-b)/c)^2);(3)分析上述高斯分布函数的拟合系数a、b、c,发现其分布也有一定规律性。同时应用反演得到的海浪有效波高、平均波周期、平均波向等数据,分析了中国海的海浪时空分布特性,得到一些可供参考的结果。     

基于雷达水位计的海浪波高信息提取算法及其精度评价

为了证明雷达水位计波高测量的有效性,基于PY30-1石油平台上的雷达水位计海面高度变化观测数据,开展了雷达水位计海浪波高信息提取算法研究。基于所发展算法提取海浪波高信息,与同一平台上的C波段测波雷达观测数据及平台附近的浮标观测数据进行了比对分析。结果表明,雷达水位计数据提取的海面波高数据与C波段测波雷达及浮标测量数据一致性较好,二者标准偏差分别为0.006和0.008 m,均方根误差(RMS)分别为0.55和0.60 m。波高小于4 m时一致性优于波高大于4 m的一致性,波高大于4 m时水位计提取的波高偏小。因此,雷达水位计可作为波高观测的重要数据源之一。     

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...     

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 S...     

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,并以此作为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。     

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,longshort-termmemory)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24 h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(radialbasisfunctionneuralnetwork,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。     

Comparison between M5′ model tree and neural networks for prediction of significant wave height in Lake Superior

Prediction of wave height is of great importance in marine and coastal engineering. Soft computing tools such as artificial neural networks (ANNs) are recently used for prediction of significant wave height. However, ANNs are not as transparent as semi-empirical regression-based models. In addition, neural networks approach needs to find network parameters such as number of hidden layers and neurons by trial and error, which is time consuming. Therefore, in this work, model trees as a new soft computing method was invoked for prediction of significant wave height. The main advantage of model trees is that, compared to neural networks, they represent understandable rules. These rules can be readily expressed so that humans can understand them. The data set used for developing model trees comprises of wind and wave data gathered in Lake Superior from 6 April to 10 November 2000 and 19 April to 6 November 2001. M5′ algorithm was employed for building and evaluating model trees. Training and testing data include wind speed (U₁₀) as the input variable and the significant wave height (H_s) as the output variable. Results indicate that error statistics of model trees and feed-forward back propagation (FFBP) ANNs were similar, while model trees was marginally more accurate. In addition, model tree shows that for wind speed above 4.7 m/s, the wave height increases nonlinearly by the wind speed.     

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。