本文以2019年1月1日至2021年12月31日舟山群岛南部外海观测点所涵盖的气象、海洋、地形等多种物理量数据为数据基础,使用长短时记忆(Long Short Term Memory,LSTM)神经网络搭建深度学习海浪预报模型,探讨输入输出序列比和输入要素数量...本文以2019年1月1日至2021年12月31日舟山群岛南部外海观测点所涵盖的气象、海洋、地形等多种物理量数据为数据基础,使用长短时记忆(Long Short Term Memory,LSTM)神经网络搭建深度学习海浪预报模型,探讨输入输出序列比和输入要素数量对模型预测性能的影响,在舟山海域实现波浪三要素,即有效波高、有效波周期、传播方向的短时预报,并用2022年台风“轩岚诺”和“梅花”期间的数据检验模型对极端海况的预测能力。研究结果表明,根据实测数据所训练的多要素海浪预报模型具有较好的预测准确度和稳定性,能较好地实现对极端海况的预测,当输入输出序列比为1∶1时模型准确度较高,预报时长为1 h的三要素模型对于日常海况中有效波高、有效波周期和波向的预测均方根误差(Root Mean Squared Error,RMSE)分别为0.116 m、0.569 s和24.583°,对于极端海况中有效波高的预测RMSE为0.191 m,输入要素数量的增加可进一步提升模型准确度,但在预测时长较长时也会增加训练成本。展开更多
文摘本文以2019年1月1日至2021年12月31日舟山群岛南部外海观测点所涵盖的气象、海洋、地形等多种物理量数据为数据基础,使用长短时记忆(Long Short Term Memory,LSTM)神经网络搭建深度学习海浪预报模型,探讨输入输出序列比和输入要素数量对模型预测性能的影响,在舟山海域实现波浪三要素,即有效波高、有效波周期、传播方向的短时预报,并用2022年台风“轩岚诺”和“梅花”期间的数据检验模型对极端海况的预测能力。研究结果表明,根据实测数据所训练的多要素海浪预报模型具有较好的预测准确度和稳定性,能较好地实现对极端海况的预测,当输入输出序列比为1∶1时模型准确度较高,预报时长为1 h的三要素模型对于日常海况中有效波高、有效波周期和波向的预测均方根误差(Root Mean Squared Error,RMSE)分别为0.116 m、0.569 s和24.583°,对于极端海况中有效波高的预测RMSE为0.191 m,输入要素数量的增加可进一步提升模型准确度,但在预测时长较长时也会增加训练成本。
