基于神经网络的福建省东南部波高与周期预测

《Oceans》：Neural-Network-Based Prediction of Wave Heights and Periods Southeast of Fujian Province

　　

海洋波高与周期的预测对于减少海上事故至关重要。将神经网络应用于预测建模无需描述特定物理过程的复杂参数方案，从而降低计算成本。本研究提出了两种单一模型和三种融合模型，基于神经网络架构：卷积神经网络（CNN）、长短期记忆网络（LSTM）、带注意力机制的LSTM（LSTM+Attention）、CNN与LSTM融合模型（CNN+LSTM）以及集成经验模态分解LSTM（EEMD+LSTM）。基于福建省东南部两个海洋观测站的多变量数据集，研究人员在不同预测长度上比较了各模型。所有模型在预测长度小于24小时时表现良好，波高和周期预测的决定系数（R2）分别高于0.7和0.6。对于大于24小时的预测长度，EEMD+LSTM的预测能力优于其他模型。在48小时预测长度下，研究人员将每个时间步的预测结果与四次台风期间的真实值进行比较。在第24和第48时间步，CNN和LSTM的结果出现相位滞后。相比之下，EEMD+LSTM更好地捕捉了真实值的趋势。

**论文解读：基于神经网络的福建省东南部波高与周期预测**

**研究背景与问题**
海洋波高与周期的准确预测对减少海事事故、防灾减灾、海岸工程建设及航行安全至关重要。传统数值模型（如WAVEWATCH III、FVCOM、SWAN）基于物理方程，其预测性能依赖物理机制的近似假设，难以捕捉海浪的强非线性和随机性，尤其在热带气旋等极端条件下，误差会随时间累积，限制长期预测能力。波谱反演方法虽避免建模多尺度物理过程，但数据质量和谱分析方法决定精度，且在极端条件下表现较差。近年来，深度学习方法因其高计算效率和准确预测而受到关注，无需复杂参数化方案或求解非线性方程，但现有研究仍存在输入数据质量敏感、模型架构和参数配置影响精度等问题，尤其缺乏对台风浪长期多步预测的系统比较。为此，研究人员以福建省东南部两个海洋观测站的多变量数据集为基础，开展波高与周期的多步预测研究，旨在评估不同神经网络模型在短期、中期和长期预测中的表现，并重点分析台风期间的预测能力。该研究发表于《Oceans》。

**主要关键技术方法**
研究采用五种神经网络架构：卷积神经网络（CNN）、长短期记忆网络（LSTM）、带注意力机制的LSTM（LSTM+Attention）、CNN与LSTM融合模型（CNN+LSTM）以及集成经验模态分解LSTM（EEMD+LSTM）。数据来自福建省东南部两个海洋观测站：南麂站（由National Marine Data Center运营，提供7个变量，时间范围2022年12月1日至2025年8月31日）和彭佳屿站（由Central Weather Bureau运营，提供10个变量，时间范围2020年5月30日至2024年12月31日）。所有模型输入长度设为24小时，预测长度设为1、6、12、24、36、48、72、96、120小时。数据集按0.70:0.15:0.15比例划分为训练集、验证集和测试集，台风期间数据（台风Danas、Francisco、Gaemi、Kong-rey）划入测试集。模型使用Adam优化器训练，初始学习率0.001，早停法（patience=15），最多100个epoch。评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R2）。

**研究结果**

**3.3.1 CNN、LSTM、LSTM+Attention和CNN+LSTM在南麂站的表现**
通过实验EX1和EX2（分别使用全部变量和仅与波高有中等线性相关的风速变量），研究人员发现输入与目标变量弱线性相关的变量未能提高预测精度。所有模型在1、6、12小时预测长度下表现良好，波高预测R2>0.7，周期预测R2>0.6。预测长度超过24小时后，模型性能显著下降；CNN在周期预测中快速衰退，LSTM和LSTM+Attention优于CNN和CNN+LSTM，但注意力机制未明显提升LSTM性能。

**3.3.2 CNN、LSTM、LSTM+Attention和CNN+LSTM在彭佳屿站的表现**
实验EX4和EX5仅纳入与波高和周期具有中等或强线性相关的变量。所有模型在预测长度≤12小时时表现良好（波高RMSE<0.4 m，MAE<0.4 m，MAPE<30%，R2>0.7；周期RMSE<0.7 s，MAE<0.5 s，MAPE<10%，R2>0.6）。预测长度超过24小时后，LSTM和LSTM+Attention仍优于CNN和CNN+LSTM，表明CNN在单点时间序列预测中不具优势。

**3.3.3 EEMD+LSTM在南麂站和彭佳屿站的表现**
EEMD+LSTM在24、36、48、72小时预测长度下显著优于其他模型：波高预测R2>0.7，周期预测R2>0.6。在南麂站，72、96、120小时预测长度下EEMD+LSTM表现优于彭佳屿站。配对t检验表明EEMD+LSTM的指标显著优于LSTM（p<0.05）。

**3.3.4 CNN、LSTM、EEMD+LSTM在台风浪预测中的表现**
研究人员分析了48小时预测长度下每时间步的RMSE随时间步的变化。EEMD+LSTM在每时间步的RMSE均低于CNN和LSTM，且增长最慢。在四个台风案例（Danas、Francisco、Gaemi、Kong-rey）中，第1时间步所有模型拟合良好；第24和第48时间步，CNN和LSTM预测结果出现相位滞后（最优滞后步达-48），而EEMD+LSTM有效捕捉波高和周期峰值趋势，无相位滞后。

**讨论与结论**
研究证明了EEMD+LSTM在中期和长期（24–72小时）波高与周期预测中的优势，显著优于CNN、LSTM、LSTM+Attention和CNN+LSTM。但在96和120小时预测长度下表现仍不理想。研究人员指出，当前工作中EEMD在数据分割前应用可能导致信息泄漏（从机器学习角度看），未来将改进模型（如融合其他架构或采用Transformer框架）以兼顾物理意义和数据保护。结论部分翻译如下：
总之，本研究开发的EEMD+LSTM架构在中期和长期预测中优于CNN、LSTM、LSTM+Attention和CNN+LSTM。实际上，对于96小时和120小时的预测长度，EEMD+LSTM的性能不令人满意。未来，研究人员将把该融合模型应用于具有不同波浪气候和气象条件的其他数据集，以评估其性能。本研究中存在一个矛盾：研究人员在数据分割前应用了EEMD。从物理角度看这是合理的，但从机器学习角度看，这可能导致信息泄漏。未来的工作将专注于改进EEMD+LSTM的预测性能，同时考虑物理意义和信息保护。进一步工作还将聚焦于解决上述问题以提升模型性能，例如融合其他模型或采用Transformer框架。