融合多重分解和差值修正的海浪波高预测研究

为了提升海浪波高预测精度,提出了融合多重分解和差值修正的海浪波高预测模型(J-DE-LSTM)。该模型采用自适应噪声完备集合经验模态分解,对波高数据进行一重分解,以及对分解后的残差分量进行二重分解;采用亲和力传播算法进行聚类降维并输人到长短期记忆网络进行预测获取初步预测值。建立波高观测值与初步预测值形成的差值序列进行三重分解,采用样本熵重构为趋势项和周期项并进行权重计算,构建粒子群算法优化极限学习机和LSTM的组合预测模型进行双轨并行预测;最后将预测结果与权重加权融合进行差值修正未来点位波高预测值。实验结果表明J-DE-LSTM模型较LSTM、TCN模型平均绝对误差提升约4.1%~11.5%,均方误差提升6.5%~15.2%。

WavewatchⅢ模拟和统计方法在最大波高预报方面的评测分析

为了研究WavewatchⅢ(WWⅢ)海浪模型对最大波高的模拟能力及其与传统统计关系方法的差异,通过对两次台风浪过程的后报模拟和半年的业务化预报,分析了WWⅢ数值模拟的准确度及其与统计关系方法的精度差异。研究结果表明:WWⅢ数值模拟的最大波高(Hmax)的精度略低于有效波高(Hs),但也达到了24 h预报相对误差(H_(max)≥1 m)低于18%、相关系数高于0.94的水平,模拟精度可靠,可以用于业务化预报;与两种统计关系方法(H_(max)和H_(s)分别为1.42和1.52)计算的最大波高相比,数值模拟的精度总体与其相当,但在H_(max)和H_(s)比值大于1.65这种易出现危险的海况下,数值模拟具有更高的准确性,更适合应用于海浪预警报服务。

基于深度学习的近岸海浪图像反演有效波高算法研究

海浪有效波高是近岸海洋观测的重要要素,近岸摄像头拍摄的图像可直观地反映波高大小,但目前基于图像的有效波高反演算法研究多处于室内实验阶段且方法缺乏普适性。本文基于深度学习技术,以山东青岛小麦岛近岸海浪为例,基于海浪图像和浮标实测数据,开展近岸海浪图像反演有效波高方法研究,给出一种利用图像反演海浪有效波高的方法,该方法利用卷积网络提取海浪图像的特征,利用全连接网络提取风速等气象特征,将特征融合后作为全连接层的输入,最后输出反演的有效波高。通过对比多种模型的反演结果和浮标观测数据,发现多参数DenseNET121模型有效波高反演能力优于其他神经网络模型,其平均绝对误差为8.97 cm。本文研究为近岸海浪观测提供了一种新的技术思路。

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。

基于多层感知器和SAR参数的海浪有效波高反演方法

本文在分析雷达海面图像的多个参数与海浪有效波高相关性的基础上,应用哨兵1A卫星Level-2 SAR数据中的后向散射系数、图像强度归一化方差、截止波长、主波波长、主波波向、图像偏度和峰度参数提出了基于多层感知器(MLP)的海浪有效波高反演方法。详细讨论了输入参数组合不同时,MLP模型反演的整体海浪有效波高(SWH)、风浪有效波高(SWH_(WW))和涌浪有效波高(SWH_(S))的精度。针对极端海况下数据较少导致模型产生的系统偏差,文中采用校正函数减小该误差,从而增强了模型的适用性。与欧洲中期天气预报中心(ECMWF)和Jason3卫星提供的整体海浪有效波高数据进行对比,本文方法所得结果的均方根误差分别为0.471和0.535 m,相关系数为0.923和0.922。与ECMWF提供的风浪和涌浪有效波高相比,本文方法反演所得风浪和涌浪有效波高的均方根误差分别为0.534和0.512 m,相关系数分别为0.898和0.815。

融合星载GNSS-R数据和多变量参数全球海洋有效波高深度学习反演法

星载GNSS-R作为一种新兴的观测方法,最近被应用于有效波高反演。现有研究通常使用从延迟多普勒图中提取的特征值以构建经验地球物理模型函数反演SWH。然而,使用多个变量参数作为模型输入具有很大挑战。为此,本文提出了一个融合星载GNSS-R数据和多变量参数反演全球海面SWH的深度学习网络模型(GloWH-Net)。为了验证本文模型的性能,ERA5、WaveWatchⅢ和AVISO SWH数据被用作广泛测试的参考数据,以评估GloWH-Net模型和先前模型(即经验模型和机器学习模型)的SWH反演性能。结果表明,当分别使用ERA5、WaveWatchⅢ和AVISO SWH作为参考值时,所提的GloWH-Net模型反演SWH的均方根误差分别为0.330、0.393和0.433 m,相关系数分别为0.91、0.89和0.84。相比基于最小方差估计器的经验组合模型反演SWH的均方根误差分别降低了53.45%、48.06%和40.63%;相比袋装树机器学习模型反演SWH的均方根误差分别降低了21.92%、18.72%和4.47%。表明了本文方法在反演全球海面SWH方面具有显著优势。

基于多变量DSD-LSTM模型的有效波高预测

利用改进的完全集合经验模态分解(ICEEMDAN)和递归量化分析方法设计一种新的信号分解算法(DSD),该算法将原始信号分解为确定性成分和随机性成分。考虑风速、风向对波高的影响前提下,将DSD算法与长短时记忆网络(LSTM)结合建立多变量混合模型DSD-LSTM-m进行有效波高的预测。该模型与单独的LSTM模型相比明显提高了预测精度,与单变量混合模型DSD-LSTM-u相比具有更好的预测效果。

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测提供了新思路。

基于卷积神经网络的高频地波雷达有效波高反演

高频地波雷达海面回波多普勒谱中蕴含着非常丰富的海浪信息,针对经验模型通常存在对回波谱信息利用不充分的问题,本文提出了一种利用卷积神经网络反演波高的方法。首先基于雷达后向散射截面方程和有效波高反演的参数化经验模型,并结合实测数据分析,本文选取了二阶与一阶谱能量比值、二阶谱能量和、二阶与一阶谱峰值比、Bragg频率处无向波高谱值、二阶谱能量、二阶谱峰值、左右一阶谱峰值及其比值、■布拉格频率处峰值、一阶谱能量共11种与有效波高相关的回波谱特征参数;为进一步说明一阶和二阶信息对有效波高的作用,将11种特征参数分成4个组合,分别搭建了多层深度卷积神经网络并进行高频地波雷达有效波高反演;然后将高、低两种海况下多层深度卷积神经网络模型与经验模型反演结果进行对比分析。研究结果表明,利用11种特征参数构建的模型波高反演精度更高,在高、低海况测试集中雷达反演有效波高与浮标波高序列相关系数R分别为0.92和0.78,均方根误差(Root Mean Square Error,RMSE)分别为0.32 m和0.21 m,平均绝对误差(Mean Absolute Error,MAE)分别为0.25 m和0.16 m,平均相对误差(Mean Relative Error,MRE)分别为0.12和0.27。综合利用这11种特征参数,能够提高雷达在复杂海况下对有效波高的反演精度。

融合MIC与Res-LSTM模型的有效波高预测

有效波高(significant wave height,SWH)的预测在海洋运输和海上活动方面发挥着重要作用。基于中国阳江海陵岛近岸实测数据,提出一种融合最大信息系数(maximal information coefficient,MIC)、残差网络(residual network,ResNet)和长短期记忆网络(long short-term memory networks,LSTM)的预测模型。首先,采用MIC算法从数据集中筛选出与预测指标相关性高的参数作为模型的输入;然后将ResNet引入LSTM中,构建Res-LSTM预测模型;最后选择相关系数(r-squared,R2)、均方根差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)来评价预测结果。同时,对比了XGBoost(extreme gradient boosting)、SVR(support vector regression)和LSTM网络的预测效果。结果表明,MIC-Res-LSTM模型能够提高短时有效波高预测值的精度。

基于FHDI-GNWM数据的全球超越概率波高宏观分布特征分析

为分析不同超越概率波高在全球波浪的宏观分布特征,基于2011—2015年的FHDI-GNWM全球波浪数据,对全球不同超越概率有效波高Hs的空间宏观分布规律进行研究。研究表明不同超越概率的Hs在全球范围内均呈现出明显的两端强中间弱的特征;对于西北太平洋、北大西洋和南大西洋,不同超越概率的Hs随着纬度的增大均呈现“先增大后减小”的特征;对于东太平洋,不同超越概率的Hs呈现出明显的南强北弱特点,在55°S附近形成了一条明显的高值区;对于印度洋,在50°S海域附近均形成了一条明显的高值区,然后向北沿纬度带递减分布。

码头无缆系泊对船舶运动响应和允许作业波高的影响分析

针对码头有缆系泊的诸多缺点,根据《海港总体设计规范》对允许作业波高的相关要求,基于ANSYS/AQWA系泊分析软件,以遮蔽式集装箱码头和小型驳船为研究对象,建立码头和船舶的三维系泊模型。仿真计算不同作业波高和有/无缆系泊下船舶的运动响应,对比分析有/无缆系泊的允许作业波高指标。仿真结果表明,在不同作业波高下无缆系泊相对有缆系泊,增大了船舶横移/纵移/横摇/回转运动约束,降低了系泊船舶运动量,提高了码头允许作业波高。初步验证了无缆系泊的可行性和有效性,为无缆系泊技术研发提供了仿真研究基础。

基于Non stationary-CNN-Transformer的海浪有效波高预测

针对海浪有效波高序列波动性、随机性较强,难以精确预测以及模型无法高效挖掘深层特征间关系的问题,提出一种基于Non stationary-CNN-Transformer模型的海浪有效波高预测方法。首先,使用平稳化模块减弱海浪时序数据的非平稳性;其次,利用一维卷积神经网络(CNN)提取相关数据间的深层特征并构建特征向量;最后,使用含有平稳性注意力的Transformer描述波高序列的时间依赖性捕捉到序列之间的全局关系,通过逆归一化处理后获得有效波高预测结果。该方法可消除海浪时序数据的非平稳性,提升数据的预测效果,并具有优异的特征提取能力且善于处理大规模时间序列数据。在实验中应用澳大利亚的浮标实测数据,通过7组对比实验分别预测0.5、3、6、12和24 h的有效波高,对所提模型进行全方位、多角度的验证。算例研究结果表明,该文所提模型在不同时间段精度有明显提升。

基于Kelvin-Helmholtz不稳定性和界面剪切作用的扰动波高预测模型

环雾状流广泛存在于天然气等工业环境中,深入探究扰动波特性对了解环雾状流的演化规律有着重要意义。本文在内径为15mm的垂直管路中进行了不同工况条件下的环雾状流实验,分别利用电导环传感器和液膜收集系统测量了液膜厚度和夹带率,并通过双阈值方法从液膜时序信号中提取了扰动波高数据。探究了扰动波高和夹带率随气、液相流量和工况压力的变化规律,发现两者均随着液相流量的增大而增大,而随着气相流量和工况压力的增大,扰动波高呈下降趋势,夹带率呈上升趋势,验证了两者之间存在密切关联。然后分析了影响扰动波高的尺度参数,建立了基于Kelvin-Helmholtz不稳定性和界面剪切作用的扰动波高预测模型,相对均方根误差rRMSE为4.05%,且98.7%的数据点都在±10.0%的误差以内,预测效果良好。最后,将新模型与现有的扰动波高关系式进行比较,预测精度和可扩展性都有了较大提高。

一种波高信息和图像纹理特征融合的大黄鱼摄食行为量化方法

针对实况海域大黄鱼(Larimichthys crocea)摄食行为识别受环境影响大的问题,作者以大黄鱼为对象,提出一种波高信息和图像纹理特征融合的大黄鱼摄食行为量化方法。研究基于GLCM纹理特征的提取方法,利用灰度共生矩阵计算鱼群摄食前后纹理特征的4个二次统计量(能量、相关性、对比度、逆差距)。同时考虑纹理特征受海面波高影响的问题,以小波高变化为例研究其对纹理特征的识别影响。以人工分类大黄鱼480帧图像的摄食状态为基础,判断单一纹理特征模型的识别精度,结果模型准确率达到了80%。结果表明波高在0.31 cm以上时对应的部分图像存在识别误差,误差可能性随波高增加而扩大。通过引入波高修正参数,优化单一纹理特征模型,并以另480帧大黄鱼摄食前后图像测试。海试结果说明该方法在实况海域识别准确率达到93%,能有效实现实况海域大黄鱼摄食行为量化。

浙江沿海基于浮标的有效波高分析和数值预报订正

基于2010年10月―2022年12月浙江沿海5个浮标站观测资料和2020—2022年欧洲中期天气预报中心细网格模式海浪和海面10 m风预报资料,对浮标站的风、浪相关性进行分析,对有效波高预报进行评估和订正方法研究。0~240 h预报偏差和均方根误差表明:模式对远岸浮标的预报比实况稍偏大,对近岸浮标预报则略偏小,预报不稳定性随预报时效的延长而增大。远离海岸的浮标站24 h预报与实况的相关性高于近岸站,两者的相关系数分别约为0.94和0.85。有效波高预报存在一定系统偏差,且是预报误差的主要来源。近岸浮标有效波高预报值小于观测值,远岸浮标的预报值偏差则随着有效波高的增大由正转负,负偏差的绝对值逐渐增大。对于远岸浮标,仅针对有效波高进行预报和实况的一元一次回归就有很好的订正效果,但近岸浮标受地形影响大,海浪预报的误差更大,同时引入有效波高和10 m风速作为预报因子,进行二元一次回归的订正效果更好。订正方程应用到同类型的周边海区浮标站仍然有很好的订正效果,可推广到浙江沿海同类型海区。

基于机器学习的海面风速和有效波高联合反演

海面风速和有效波高(significant wave height,SWH)是海洋环境中的关键参数,两者之间关系密切。全球导航卫星系统反射测量(global navigation satellite system reflectometry,GNSS-R)可有效反演海面风速和SWH,然而已有研究局限于单一参数的反演。为此,提出一种基于机器学习算法的海面风速和SWH联合反演方法。首先通过质量控制获取有效的气旋全球导航卫星系统(cyclone global navigation satellite system,CYGNSS)观测数据,进而分别采用随机森林、极端梯度提升、轻量梯度提升机、决策树和自适应增强算法建立联合反演模型,并对比分析其反演性能。经实验表明:极端梯度提升更适用于海面风速和SWH的联合反演,均方根误差分别为0.91 m/s和0.20 m,皮尔逊相关系数分别达到0.90和0.96。相对于传统的单一参数反演,本文方法能够实现对海面风速和SWH高效又准确的反演。

一种基于深度学习的有效波高混合预测方法

作为重要的海洋环境参数,有效波高(SWH)的精准预测在海洋工程中具有重要意义。针对深度学习易陷入局部最优等问题,提出了一种融合深度-宽度的SWH混合预测方法。利用集成经验模态分解对SWH进行预处理,改善深度学习预测中普遍存在的滞后性问题,同时将宽度学习系统与深度学习中的长短时记忆网络相融合,旨在提高预测精度。实验结果表明:与现有方法相比,基于本文模型的SWH预测方法不但在均方根误差、平均绝对误差等评价指标上得到有效提升,且具有较好的鲁棒性。

基于MAF-GWO-LSTM算法的海浪有义波高预测模型

由于复杂海况随机海浪对船舶航行及人命安全造成威胁,通过构建海浪波高预测模型实现高海况海浪预警对提升航行安全具有重要意义。针对海浪波高预测问题,本文提出一种MAF-GWO-LSTM预测模型。首先利用滑动平均滤波器(Moving Average Filter,MAF)对实测海浪数据进行处理得到有效波高的光滑趋势序列,作为预测模型的输入训练集;再选用长短时记忆神经网络LSTM作为预测浪模型,依据灰狼优化算法(Grey Wolf Optimization,GWO)对滑动窗口MA及神经网络训练过程中的参数进行自适应寻优,并以南海实测有效波高数据进行验证。研究结果表明,采用MAF滤波有利于提取海浪有效波高特征,再通过GWO-LSTM预测模型优化神经网络参数,最优参数下波高预报精度达到R^(2)=0.991 0。论文研究可为高海况下海浪有效波高预报预警提供一种有效手段。

超声造影在预测脉冲波高强度聚焦超声治疗不可切除胰腺癌患者生存时间中的作用

目的 探讨超声造影定量参数在预测脉冲波高强度聚焦超声(pulsed wave high intensity focused ultrasound,pHIFU)治疗不可切除胰腺癌患者生存时间中的作用。方法 选取2020年2月至2021年3月就诊于首都医科大学附属北京友谊医院并经pHIFU治疗的不可切除胰腺癌患者。记录患者年龄、性别、临床分期、肿瘤体积、单位体积能量及生存时间。收集其治疗前后超声造影定量参数,包括上升强度(rise intensity,RI)、上升时间(rise time,RT)、上升支斜率(raise rate,Raise R),并计算相对强度(relative rise intensity,rRI)=100%×RI(肿瘤内)/RI(参考动脉)、相对上升支斜率(relative raise rate,rRaise R)=100%×RaiseR(肿瘤内)/RaiseR(参考动脉)。将上述参数的治疗前测量值与治疗后测量值进行比较,若治疗后测量值大于治疗前测量值,则该患者归类为该参数的上升组,反之为下降组。分析超声造影定量参数的变化对患者生存时间的预测价值。结果 共入组患者19例,所有患者自接受pHIFU至死亡的中位生存时间为184d。Kaplan-Meier生存分析结果显示pHIFU治疗后rRaise R上升组患者生存时间曲线优于rRaise R下降组(P=0.027),其中位生存时间分别为301d及114d,两组患者年龄、性别、临床分期、肿瘤体积、单位体积能量比较差异均无显著性(P>0.05)。结论 不可切除胰腺癌患者经pHIFU治疗后,肿物超声造影定量参数的变化对患者的生存时间预测具有一定价值。