摘要
海浪高度预测对海上活动起着至关重要的作用。上世纪发明的基于能量平衡方程的数值模式直到目前仍是浪高预测研究的主流方法。但是，数值模式的预测过程复杂，需要大量的输入数据和处理时间，这对于浪高这种高频率预报对象来说是巨大挑战，尤其在诸多需要快速获取浪高预测结果的情况下，使用数值模式并不容易。凭借观测数据的大量增加，借助人工智能方法研究海上环境变化已成为海洋学家越来越感兴趣的话题。使用机器学习可以实现更加快速精准的浪高预测。但现有基于机器学习的浪高预报研究还存在许多问题。 为了使学者对当前的浪高预测研究有一个整体认知，本文首先针对浪高预测领域的相关文献构建了一个文献可视化分析方法。该方法以图像的形式将浪高预测相关的文献计量分析结果展示出来。 在短时间间隔预测中，为了解决现有研究存在的以下问题：预报模型的训练与测试多在同一站点，很少考虑训练出的模型是否可以在其它站点使用；研究多集中在远海区域，缺乏针对近岸海域的浪高预测。本文首先通过改进长短期记忆（LSTM）网络，提出了一个基于贝叶斯优化的LSTM训练-预测站点分离浪高预测模型。与以往研究不同的是，该模型的训练基于三个非测试站点数据，并且通过贝叶斯优化算法得出模型超参数的最优值。在1小时、6小时、12小时浪高预测中，该模型的预测效果令人满意，可以用于非训练站点的浪高预测。通过与常用的多层感知机（MLP）、支持向量机（SVM）、随机森林（RF）算法进行对比，验证了基于贝叶斯优化的LSTM的优越性。此外，为了讨论机器学习在近岸海域浪高预测中的效果，本文使用基于贝叶斯优化的LSTM对中国近岸站点实现了1小时、6小时、12小时浪高预测。结果验证了机器学习可以在近岸海域的浪高预测中达到令人满意的精度。通过算法对比得出，本文提出的基于贝叶斯优化的LSTM在近岸海域浪高预测中具有优越性。 在长时间间隔预测中，为了解决因滞后性而导致的预测精度低的问题，本文对时序卷积网络（TCN）进行改进，通过融入经验模态分解（EMD）算法，提出了一个基于EMD-TCN的长时间间隔浪高预报模型。在24小时、36小时、48小时预测中，本文验证了该模型有助于改善预测滞后问题，可以提高长时间间隔预测的精度。 最后，本文对未来浪高预测的应用前景进行了展望，认为海洋物联网与浪高预测相结合可以优化船舶的航行路线。
NETL