基于机器学习算法对海浪波高的预测及优化研究

发布时间：2020-10-09 18:57

　　海浪是海洋表面重要的运动过程,机器学习是目前国内外热门研究领域,本文将海洋科学与机器学习相结合,探索了机器学习在海洋科学领域应用的可行性,为今后的研究奠定基础。本文采用了机器学习中的两种不同算法对海浪有效波高进行预测和修正。(1)建立使用支持向量机(SVM)的预测模型,选取风场和波浪场作为学习要素,对比不同特征向量对有效波高预测结果的影响。取台湾岛东部海区作为实验区域,使用NCEP再分析的数值模式数据作为学习样本。选用支持向量分类机,建立了四组不同特征向量的模型对海浪有效波高进行预测,并对四种模型的结果进行比较和分析。实验表明,当输入的特征向量过多或过少时,会对模型的预测结果和计算效率产生不同的影响。当使用风场和波浪场共同作为特征向量进行学习时,在该区域预测结果更接近模式预报结果,相关系数将近99%,均方根误差约为0.2m。(2)使用神经网络模型建立模式结果的优化模型,对MASNUM海浪模式的有效波高进行优化。选用风场,波浪场作为学习要素,选取南海海域作为实验区域,按季节划分了夏季、秋季、冬季3个模型进行训练。与卫星观测的数据相比,修正后结果的均方根误差与绝均差减少了约30%。
【学位单位】：自然资源部第一海洋研究所
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P731.22;P714
【部分图文】：

示意图,机器学习,示意图,机器

图 1 机器学习发展示意图如上图所示，随着计算机性能的飞速发展，硬件的提升，人类对于人工智能的研究也变得更加深入，人类渴望拥有更加聪明的机器，希望机器可以代替人去理解和分析更多的资料，使机器具有人的思维方式。而机器学习是人工智能的一

地形图,地形图,波高,概率

图 2 实验选取位置的地形图表 1 2011—2017 每年 7 月的波高区间分布概率及其极值日期概率/×%波高最大值/m波高大于 4 m 波高大于 8 m 波高大于 10 m

特征向量,风场,模型,波浪场

模型 1：如图 3 所示，采用前一时刻风场和波浪场数据和当前时刻预测位置的风速、风向，以及当前时刻周围风场作为输入特征向量，输入特征向量个数为9×2+9+9×2=45，主要考虑前一时刻风场及当前时刻风场，以及前一时刻波浪场对有效波高预测精度的影响。

【参考文献】