IW-PPM:一种基于BP神经网络的模型,结合特征工程技术用于预测中国南海北部地区的内波传播

《Ocean Modelling》:IW-PPM: A BP Neural Network Model with Feature Engineering for Internal Wave Propagation Prediction in the Northern South China Sea

【字体: 大 中 小 】 时间:2026年04月25日 来源:Ocean Modelling 2.9

编辑推荐:

  本文构建了基于BP神经网络的北部南海内部波传播预测模型IW-PPM,通过优化MODIS卫星影像特征参数,分别设计速度和方向预测模块,结合复合损失函数与自适应优化算法,实验表明其预测精度优于传统KdV理论,且在台风天气下性能稳定。

  
焦志凡|曾志|宋军|沈高原|孙倩

摘要

预测南海北部区域内部波的传播对于海洋资源开发、军事和工程应用具有重要意义。针对这一问题,本文构建了一个名为“IW-PPM”的南海北部内部波传播预测模型。该模型基于BP神经网络框架,利用MODIS卫星图像等数据集提取内部波的特征参数,经过特征工程处理后作为输入数据。模型分别设计了用于速度和方向的预测模块。在训练过程中,采用了一种由均方根误差和Huber损失组成的复合损失函数,并结合了自适应优化算法和正则化策略。在实际应用中,以内部波列的领先波的参数作为输入数据,将模型预测的内部波位置与卫星观测结果进行比较。结果表明,平均Fréchet距离为8.38公里,表明模型预测性能良好。与传统KdV理论相比,IW-PPM具有更高的预测精度。进一步分析表明,IW-PPM对水深输入数据的变动具有很强的鲁棒性。通过使用不同的时间步长进行迭代预测,发现相对较小的时间步长可以有效提高预测精度。我们设计了包含台风天气和不包含台风天气的实验,发现模型在台风天气条件下仍能保持稳定的性能。此外,预测结果对环境因素的响应在物理上是一致的。

引言

内部波是稳定分层海洋内部常见的现象(Alpers., 1985)。在传播过程中,内部波会引起局部海水的垂直混合,促进能量和营养物质的垂直交换,并改变温盐结构和分层稳定性(Cai et al., 2012)。同时,内部波引起的强剪切流对潜艇航行、海上平台建设等活动构成不可忽视的威胁(Li et al., 2021)。因此,对海洋内部波进行预测研究对于海洋资源开发与利用、海洋军事行动及海洋工程具有重要意义(Zhang et al., 2023)。
南海北部是全球海洋中内部波活动最频繁和最显著的区域之一(Zhang & Yang., 2021)。这些内部波主要源于潮汐与吕宋海峡海底地形之间的相互作用。它们沿大陆坡向西传播至南海北部盆地,然后继续向大陆架方向传播(Cai & Xie., 2010)。如图1所示,其传播路径清晰且具有很强的重复性(Wang et al., 2013)。
内部波的空间分布和传播方向可以通过MODIS卫星图像获得,通过多幅图像可以相对准确地追踪内部波的传播速度和路径变化(Zhang et al., 2021)。目前,内部波的传播主要依赖数值模拟和经验模型进行预测。对于南海北部的内部波,一种常见的预测方法是使用高分辨率海洋数值模型来模拟其生成和传播过程。然而,这种方法耗时较长,需要高精度输入数据,计算需求大,并且泛化能力较差(Gong et al., 2023)。
随着机器学习技术的发展,越来越多的研究人员开始将机器学习作为传统模型的补充或替代方案(Gong et al., 2025)。与数值模拟等技术相比,机器学习展现了巨大的潜力。近年来,机器学习技术已越来越多地应用于内部波研究。深度学习框架已成功应用于内部波的自动检测和长期数据集的构建(Jiang et al., 2023; Zhang & Li., 2024),基于深度学习的模型还表现出从SAR图像中提取内部波条纹和传播方向的强大能力(Cui et al., 2025)。这些研究表明,机器学习是处理内部波复杂多维特征的有效工具。不过,其应用目前主要集中在内部波的识别和特征描述上。除了图像级分析外,机器学习也逐渐被引入到内部波传播预测领域。Zhang et al.(2021)开发了一个基于BP神经网络的安达曼海内部波传播预测模型,Huang et al.(2025)实现了苏禄海内部孤立波的长期实时预测。这些研究验证了机器学习方法在特定区域预测内部波传播的可行性。南海北部内部波频繁发生且强度较大(Zhang & Yang., 2021)。尽管研究人员已经使用数值模拟和理论分析详细研究了其生成机制和传播过程(Simmons et al., 2011; Cai et al., 2012; Gong et al., 2023),但针对该区域内部波传播的系统性机器学习方法仍较为罕见。
因此,本文开发了一个基于BP神经网络的南海北部内部波传播预测模型,即内部波传播预测模型(IW-PPM),旨在根据内部波的初始位置预测其传播路径。
海洋内部波的生成和传播受到多种因素的影响,如温盐结构和海水深度,使得这一过程具有高度非线性(Zhao et al., 2004)。BP神经网络作为一种多层前馈结构,具有强大的非线性映射能力(Hornik et al., 1989)。这一特性为使用BP神经网络预测内部波传播提供了理论基础。
本文的结构如下:第2节描述了模型所需的数据提取过程、模型构建方法及相关的实验设计;第3节展示了模型预测结果;第4节讨论并分析了研究结果;第5节给出了结论。

章节片段

数据获取与参数提取

基于来自卫星图像的南海北部内部波深度学习衍生长期数据集(http://dx.doi.org/10.12157/10CAS.20240409.001),我们选择了305幅MODIS遥感图像进行分析,这些图像的空间范围为112.40°E–121.32°E和18.32°N–23.19°N,时间覆盖范围为2000年至2022年。所有选定的图像都清晰地显示了内部波表面特征,表现为明暗条纹带。本文提取了关键参数

模型结果

在数据集上训练IW-PPM后,方向预测模块和速度预测模块的训练结果如表1所示。
对于速度预测模块,测试集的均方根误差(RMSE)为0.221米/秒;对于方向预测模块,测试集的RMSE为5.014°。方向预测模块的总体准确性高于速度预测模块,表明IW-PPM表现出更稳定和可靠的性能

与经典KdV理论结果的比较

基于KdV的理论结果作为基准,用于评估IW-PPM的预测性能(Zhang et al., 2021)。图5展示了在一个M2潮汐周期后内部波传播位置的比较结果。
结果表明,基于KdV的方法预测的内部波位置与卫星观测到的波峰位置存在较大偏差。相比之下,IW-PPM预测的传播路径

结论

本文基于BP神经网络构建了IW-PPM模型,用于预测内部波的传播速度、方向及其位置。该模型在内部波传播预测方面表现出优异的性能,具体表现在:
在典型情况下,IW-PPM预测的内部波位置与从卫星图像中提取的实际内部波波峰位置高度一致,平均Fréchet距离和RMSE分别为8.38公里和4.95米

作者声明

我们声明本手稿是原创的,此前未发表过,也没有被其他地方考虑发表。
我们确认所有署名作者都已阅读并批准了本手稿,且没有其他符合作者资格但未列出的人员。我们进一步确认手稿中作者的顺序已得到所有人的同意。
我们理解通讯作者是与编辑联系的唯一联系人

作者贡献

焦志凡:概念构思、数据整理、方法论、软件开发、可视化、初稿撰写、审稿与编辑。
宋军:概念构思、数据整理、方法论、数据分析、调查、审稿与编辑。
曾志(通讯作者):概念构思、方法论、资金获取、监督、审稿与编辑。
沈高原:监督、验证。
孙倩:数据整理、数据分析、软件开发。
焦志凡和宋军

CRediT作者贡献声明

焦志凡:初稿撰写、可视化、验证、监督、软件开发、数据分析、数据整理。曾志:审稿与编辑、资源协调、项目管理、资金获取、概念构思。宋军:审稿与编辑、监督、资金获取、数据分析、概念构思。沈高原:监督、项目管理。
孙倩:监督、项目管理、数据分析。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号