卷积神经网络在近岸表层海温预报中的应用

针对数值预报和人工经验预报在近岸定点表层海温(sea surface temperature,SST)预报中预报准确度不高,将近岸台站定点SST预报转换为多元时间序列预测任务,应用卷积神经网络(convolutional neural networks,CNN)构建近岸台站定点SST时间序列变化模型,对近岸台站每日最高海温、最低海温、平均海温进行预报,并与人工经验方法和长短期记忆网络(long short-termmemory,LSTM)方法进行对比试验。结果显示,在测试数据中相比人工经验预报,CNN方法全年日最高海温预报平均绝对误差(mean absolute error,MAE)为0.36℃,平均下降0.14℃,均方根误差(root mean squared error,RMSE)为0.49℃,平均下降0.21℃,日最低海温预报MAE为0.36℃,平均下降0.17℃,RMSE为0.63℃,平均下降0.24℃,日平均海温预报MAE为0.30℃,RMSE为0.47℃,预报性能和LSTM模型预报性能相当。研究表明CNN应用于近岸SST预报具有可行性,能够有效地提高SST预报准确度,并且预报效果可以媲美LSTM。

同透空率下多孔人工鱼礁流场效应的三维数值模拟研究

通过计算流体动力学技术(CFD),分别模拟了非定常流作用下透空率为20%的箱型、梯形台、三棱体多孔空心单体鱼礁及组合鱼礁在6种来流速度、3种礁体布设工况下的人工鱼礁三维流场。模拟计算结果表明:水流遇到礁体迎流面抬升形成上升流,同种模拟工况下,同类型的多孔空心人工鱼礁以90°摆放时形成的上升流和背涡流规模强度达到最大,30°摆放时次之;单礁体情况下箱型鱼礁产生的流场效应更优。通过分析不同礁距下的九礁组合流场差异,上升流规模强度随着礁距的增加呈现出先增大后减小的趋势,1倍礁体距离下的鱼礁组合能产生更好的流场调控效应,并且箱型鱼礁组合和三棱体鱼礁组合的第一组礁体背面出现双涡旋现象,而梯形台鱼礁组合只存在一个涡旋,同种工况下,箱型鱼礁和三棱体鱼礁组合能更好地发挥鱼礁的集鱼、饵料效应和环境修复功能。

基于LSTM神经网络方法的粤东近岸海温预报

利用粤东沿岸各海洋站点的海温观测数据以及区域大气模式的气象预报数据,基于长短期记忆的神经网络方法,通过分析筛选训练数据,建立了高效的粤东近岸24 h海温预报方法。与观测资料进行对比,该方法在粤东近岸海域24 h海温预报的均方根误差和平均绝对误差分别为0.45℃和0.32℃,在珠江口沿岸的误差更小。进一步分析表明,气象要素与海温变化值的相关性比与高通滤波后的海温相关性更好。对海温变化值进行预报,而后叠加海温初始值,可以得到更加准确且稳定的预报结果。