缓解域偏移以提升南海岛礁水域跨站位有效波高（significant wave height, Hs）预测性能：三种新方法的提出与系统评估

《Journal of Ocean Engineering and Science》：Mitigating domain shift for cross-station wave height prediction in South China Sea island and reef waters: proposal and systematic evaluation of three novel methods

　　

为解决南海岛礁水域跨站位有效波高（Hs）预测中的域偏移（domain shift）问题，研究人员系统提出并评估了三种新颖的域偏移缓解方法。在单因素长短期记忆网络（LSTM）预测器的统一框架下，构建了一个涵盖“整体误差分布-单站精度-计算效率”的评价框架，以系统比较基线方法、提出的“重量级”适应方法即贝叶斯优化全模型测试时适应（BO-FTTA）、贝叶斯优化冻结BN层自适应测试时调优（BO-FBAT）以及创新的“轻量级”适应方法即目标域归一化适应（TDNA）。研究发现，这三种方法均能显著提高跨站位预测精度，但计算开销存在显著差异。与基线方法相比，BO-FTTA和BO-FBAT将整体误差标准差降低了52%–53%，在高差异跨站位场景中归一化平均绝对误差（NMAE）降低超过50%。相比之下，TDNA获得了可比的性能提升，其计算时间仅为基线方法的0.9–1.2倍，保持了相似的计算效率。据此，研究明确了不同方法的适用场景：“重量级”优化方法适用于离线高精度优化，而“轻量级”适应方法为在线、实时部署场景提供了可行方案。本研究为南海岛礁水域跨站位有效波高预测的方法选择提供了定量参考，也为其他海洋时间序列跨域适应问题提供了有价值的见解。

论文解读：南海岛礁水域跨站位有效波高预测中的域偏移缓解方法研究

研究背景与意义

准确的有效波高（H_s）预测对于保障海洋工程作业安全、优化航运航线以及促进海洋资源高效开发具有关键支撑作用，这一需求在南海岛礁水域尤为迫切。该区域复杂的海况以及渔业生产、岛礁工程、航运导航和资源保护开发等集中活动，要求决策具备精确可靠的有效波高预测能力。为应对波浪动力过程固有的强随机性和非线性，机器学习技术已成为补充和扩展传统数值模型不可或缺的工具，其中深度学习技术凭借强大的非线性拟合能力，正成为短期有效波高预测的主流方法。然而，尽管前期研究表明，基于各站点独立训练的单因素长短期记忆网络（LSTM）模型在跨站位场景下表现出一定的迁移潜力，但由于源域（训练站点）和目标域（测试站点）之间的数据分布差异（即域偏移，domain shift），直接迁移会导致预测精度出现不稳定且难以预测的下降。虽然迁移学习和测试时适应（Test-time Adaptation, TTA）为解决这一挑战提供了理论框架，但现有TTA方法多面向计算机视觉图像任务，针对海洋时间序列数据强非线性和显著波动特征的自适应策略相对稀缺；且其关键超参数多依赖人工经验调参，难以在海洋环境多变的跨站位分布偏移场景中稳定保持最优适应性能；此外，大多数TTA方法依赖反向传播迭代更新参数，计算开销大，难以满足海洋领域实时预警和业务化预报的效率要求。为此，研究人员开展了针对南海岛礁水域跨站位有效波高预测的域偏移缓解方法研究，相关成果发表在《Journal of Ocean Engineering and Science》。

主要关键技术方法

研究人员基于前期工作中建立的单因素LSTM基线模型（分别以J、G、Q、H四个南海西沙-中沙水域波高观测站的数据独立训练）开展研究。数据来源于四座岛礁礁坪上的测波站（J站和G站位于潟湖内局地水域，配备声学波和海流（AWAC）仪器；Q站为半遮蔽-半开阔模式，配备声学多普勒流速剖面仪（ADCP）；H站位于开阔水域，配备ADCP），经预处理构建了小时级有效波高时间序列。研究人员提出了三种域偏移缓解方法：1）BO-FTTA（贝叶斯优化全模型测试时适应），即在LSTM与全连接（FC）层间加入批归一化（Batch Normalization, BN）层，利用贝叶斯优化（Bayesian Optimization, BO）自动搜索6个关键超参数以最小化复合损失函数（含分布损失、自适应加权损失和趋势损失），并在测试阶段对所有模型参数进行在线微调；2）BO-FBAT（贝叶斯优化冻结BN层自适应测试时调优），结构同BO-FTTA，但冻结BN层参数（固定初始均值0和方差1），仅微调LSTM层和FC层参数；3）TDNA（目标域归一化适应），不更新任何模型参数，而是放弃源域统计量，直接基于目标域数据本身的最小值和最大值重新计算归一化统计量，将输入分布对齐到[0,1]区间。研究设计了涵盖4个源站到4个目标站共16种组合的循环预测实验，从预测精度（归一化均方根误差NRMSE、归一化平均绝对误差NMAE、皮尔逊相关系数PCC）和计算效率（单次预测耗时）两个维度进行系统评估。

研究结果

1. 1.
   整体预测精度分析
   研究人员基于全部16种跨站位组合的248232个样本进行了宏观评估。结果表明，三种提出的方法（BO-FTTA、BO-FBAT和TDNA）在预测精度、分布均匀性和拟合优度上均显著优于基线方法，且三种方法整体性能水平相近。基线方法的误差标准差为0.158 m，最大误差达4.297 m，偏度为6.42，峰度为81.3，呈严重右偏、尖峰分布，存在高极端误差风险；而三种方法的误差标准差降至0.074–0.076 m（较基线降低52%–53%），最大误差控制在1.319–1.384 m，偏度降至0.55–0.90，峰度降至24.1–24.5，广义正态分布拟合优度均高于0.994（BO-FTTA和BO-FBAT达0.997）。三种方法各有侧重：BO-FBAT误差控制最优（标准差0.074 m），BO-FTTA系统偏差最接近零，TDNA误差分布形状参数最接近1（最符合标准正态分布）。
2. 2.
   单站预测精度分析
   研究人员分析了各方法在单个目标站的表现，将跨站位场景按基线NMAE分为高差异（NMAE > 0.15，如H→J、G→H）、中差异（0.1 ≤ NMAE ≤ 0.15，如J→H、Q→J）和低差异（NMAE < 0.1，如Q→G、J→G）三类。结果显示，三种方法在93.75%（45/48）的NMAE指标上均维持或优于基线性能。在高差异场景中，NMAE改善率普遍超过50%（如H→J场景：BO-FTTA为74.2%，BO-FBAT为74.1%，TDNA为73.3%），解决了基线模型在强域偏移下的预测失效问题；中差异场景中也有显著优化（如Q→J场景NMAE改善约2.0%–7.4%）；低差异场景中则稳定维持原有高性能。方法对比显示：BO-FTTA通用性和全局稳定性最强，所有组合均无性能下降；BO-FBAT综合性能与BO-FTTA高度接近，部分中差异场景略有优势；TDNA在大多数场景提供可靠增益，高差异场景中在皮尔逊相关系数（PCC）指标上有时优于前两者，对预测趋势可靠性要求高的场景具独特价值。
3. 3.
   计算效率分析
   三种方法的计算效率差异显著。TDNA耗时与基线同量级，时间倍数为0.9–1.2，平均绝对耗时小于0.03秒，因其仅需实时数据变换，无迭代优化；BO-FTTA和BO-FBAT因基于贝叶斯优化迭代架构，耗时集中于790–2930秒，较基线高出约4个数量级，其耗时主要由BO过程决定，且BO-FBAT因仅微调LSTM+FC层，多数场景略低于BO-FTTA。此外，基线模型输入序列长度（best_N）及源-目标站数据分布相关性也会影响BO耗时。
4. 4.
   综合分析
   综合精度与效率维度，三种方法构成两类解决方案：“重量级”高精度-高成本方案（BO-FTTA、BO-FBAT），适合优先考虑超高精度且允许离线计算的场景；“轻量级”高精度-高效率方案（TDNA），计算开销与基线基本持平，在高差异场景仍能大幅提升预测趋势可靠性，适合实时监测或资源受限环境等效率敏感场景。研究通过系统性的“性能-场景”基准测试，明确了各方法的效能边界和适用场景，为不同业务约束下的跨站位预测任务提供了清晰的方法选择依据。

讨论与结论总结

讨论部分指出，三种方法均能有效提升基线模型的跨站位性能，成功解决了高差异场景的精度下降问题；但在计算效率上存在根本差异，“重量级”方法以高计算开销换取近最优精度，“轻量级”TDNA则以近乎实时的效率提供可靠精度提升。研究明确了不同方法的适用场景：“重量级”优化方法适合离线高精度分析，“轻weight级”TDNA适合在线实时监测和预警系统等效率敏感场景。结论部分总结：第一，三种提出的方法均被验证有效，普遍且大幅增强了基线方法的跨站位性能，解决了高差异场景的精度退化；第二，计算效率上，“重量级”BO-FTTA和BO-FBAT以大量计算开销实现近最优精度，“轻weight级”TDNA以近实时效率提供可靠精度提升；第三，实际应用上，“重量级”方法为离线高精度分析的理想工具，“轻weight级”TDNA为在线实时监测等效率敏感场景提供了高效可靠的新选项。该研究从方法创新到场景化应用，为南海岛礁水域跨站位有效波高预测提供了完整研究案例，“性能-场景”基准框架和提出的方法也可为其他面临域偏移挑战的时间序列预测任务提供有价值的参考。未来研究人员将基于数值模型数据扩大验证范围至整个南海、西太平洋乃至全球海洋，探索“超级紧凑模型”的整合升级路径，最终实现基础LSTM模型向全球海浪高度跨域预测“超级模型”的突破，并优化方法的工程部署能力以促进成果实际落地。