全球仍有约20亿人无法获得可靠的电力供应[1,2]。虽然化石燃料可以在一定程度上缓解这一需求缺口，但它们的使用会加剧环境污染和资源枯竭，因此有必要优先发展清洁且可靠的可再生能源[3]。在各类可再生能源中，波浪能因其丰富性和大规模发电潜力而展现出巨大前景[4,5]。准确预测波浪参数（如有效波高、平均波周期和波浪能量通量）对于评估波浪能潜力、优化波浪能转换器性能、确保海上结构安全以及提高可再生能源的利用率具有重要意义[6]。
目前，诸如Simulating WAve Nearshore（SWAN）[7]和WaveWatch-III（WW3）[8]之类的数值模型被广泛用于模拟波浪演变过程。然而，由于实现复杂、输入要求高以及计算时间长，这些模型在及时预测波浪方面存在局限性[9]。另一种方法是利用卫星高度计数据来估算那些缺乏现场测量数据的区域的波浪参数[10,11]。不过，这类数据无法直接提供波周期等信息，因此需要借助反演模型，而这可能会引入额外的不确定性[12]。
鉴于上述方法的局限性，人工智能在海洋学领域成为了一种极具前景的替代方案[9]。其中，机器学习方法在短期波浪预测方面展现出显著优势，相比传统数值模型，它能提供更准确的波浪估算结果[6]。例如，Gracia等人[13]证明，多层感知器和梯度提升决策树模型能够显著提高对西班牙海岸波浪高度的预测精度。然而，机器学习方法往往难以处理庞大且复杂的数据库。相比之下，深度学习算法得益于GPU加速，能够高效处理大规模数据集，并以更高精度捕捉复杂的波浪特征[6]。
在各种深度学习算法中，长短期记忆网络因其在处理序列数据的时间依赖性方面的优势，被广泛用于预测各个浮标位置的波浪情况[14,15]。不过，它们在捕捉空间波浪特征方面存在局限[16]。为了解决这一问题，Shi等人[17]提出了卷积长短期记忆网络，该网络在LSTM架构中加入了卷积操作，以此提取时空特征。这种混合设计在波浪参数预测方面取得了令人满意的结果，在开阔海域的表现甚至优于传统方法[18]。然而，在近海区域，由于复杂的海洋动力学和海底地形，该模型的预测精度会大幅下降[19]。此外，ConvLSTM的循环结构往往会导致较高的计算成本以及在长期预测中出现误差累积的问题[20]。
除了ConvLSTM之外，U-Net架构也因能够通过其对称的编码器-解码器结构同时捕捉低级和高级特征，而被广泛用于空间处理任务[21]。最近的研究表明，U-Net在区域波浪预测方面也相当有效，尤其是在沿海和半封闭海域，其表现十分出色[22]。不过，传统的U-Net仅能处理单帧图像，无法捕捉时间依赖性，这限制了它动态模拟波浪演变的能力。
为了解决这些存在的问题，本研究提出了一种新的基于物理原理的U-Net-ConvLSTM（PI-UNCL）模型，用于进行区域性的、多变量且多步骤的波浪预测。该模型结合了U-Net的空间特征提取能力与ConvLSTM的时间序列建模优势，同时还将在损失函数中加入物理约束。该模型可以对中国海域及其邻近水域的有效波高、平均波周期和波浪能量通量进行1小时、6小时、12小时以及18小时前的预测。与传统的ConvLSTM以及纯粹数据驱动的U-Net-ConvLSTM（D-UNCL）相比，PI-UNCL在更长的预测时间内具有更高的预测精度，且在波浪能量变化较大的情况下稳定性更强。
本文的其余部分结构如下：第2节介绍数据准备过程，包括数据来源、数据划分以及数据架构；第3节阐述模型的架构、基于物理原理的损失函数、超参数优化策略以及所使用的误差评估指标；第4节针对有效波高、平均波周期和波浪能量通量，评估PI-UNCL在不同预测时间范围内的预测性能，并与ConvLSTM和D-UNCL进行对比分析，以判断其精度提升情况；最后，第5节总结主要研究结论。
