[发明专利]一种基于深度学习的近岸单点海浪浪高预报方法

说明书

本发明公开了一种基于深度学习的近岸单点海浪浪高预报方法，包括如下步骤：步骤一：指定区域海洋水文气象数据集；步骤二：数据清洗和处理得到有效数据并划分出训练集、测试集；步骤三：训练模型得到训练完成后的海浪浪高预测模型；步骤四：对海浪浪高预测模型精度验证，预测海浪浪高结果。本发明利用自研深度学习模型对单点海浪浪高进行预测，提高了浪高预测精度，对近海海洋水文气象预报减灾具有重要意义；本发明的预测方法稳定可靠，训练好的模型可直接用于未来近海单点浪高预测应用中，应用简便。

技术领域

本发明涉及海洋水文气象预报领域，具体涉及一种基于深度学习的近岸单点海浪浪高预报方法。

背景技术

海浪对人类的海上活动和近岸活动有着巨大的影响，甚至会造成人员与经济的损失。因此海浪浪高的准确预报对人类进行航海、渔业、海上军事活动、海上作业、海上运动、沿海与近岸工程的规划与设计等相关活动至关重要。

目前海浪浪高预报研究方法最主流的是动力学方法，动力学方法是基于谱组成波的能量平衡方程以数值计算方法而建立的，其中最主要的应用就是海浪数值模式，海浪数值模式已经发展到了第三代，是基于波浪生成与耗散物理过程而产生的，其建立在明确的物理过程之上，但由于海浪生成机制非常复杂，目前人们对波浪生成机制的认识还很有限，尤其是近海海浪，因海底地形更为复杂，对海浪浪高预报影响很大，近海海浪浪高的数值模式预报效果还存在一定的局限。

近年来，机器学习理论和方法应用蓬勃发展，已在海洋水文气象领域广泛应用，各类机器学习算法包括传统机器学习算法(如随机森林、决策树、支持向量机，神经网络等)和深度学习方法，已在海洋水文气象要素监测、短时临近预报、短期预报领域发挥了积极的重要作用，其应用效果往往明显优于依靠数值模式、统计特征、主观经验积累的传统方法。

Hinton and Salakhutdinov(2006)提出的“深度学习(deep learning)”概念，证明了深层神经网络的可训练性，展现了深层神经网络更强大的特征提取和非线性拟合能力。与浅层神经网络、支持向量机等传统机器学习算法相比，深度神经网络不仅能够为复杂非线性系统提供建模、更能够为模型提供更高的抽象层次，从而提高模型的特征提取能力，其优势在于能以更加紧凑简洁的方式来表达比浅层网络大得多的函数集合，并在语音处理、图像识别等领域相比传统方法的性能有了显著提升。在海浪浪高预报领域，深度学习技术能够从海量的海洋水文气象数据中提取特征，能够更有效提取高时空分辨率的中小尺度观测数据的海浪特征，更有效综合应用观测数据、数值模式预报数据等，为近海单点海浪浪高短临预报预警提取更多有效信息，能够有效对数值模式预报进行释用和后处理，提供近海单点海浪浪高短临预报上的更精准的预报结果，同时由于基于深度学习模型对海浪浪高进行预测，所需的计算机算力更少，所以日后实际应用过程中该方法比传统方法成本更低。

目前，尽管深度学习技术在海洋水文气象要素短临预报上发挥了重要积极的作用，但总体而言，深度学习技术在海浪浪高的预报上还存在一些问题，例如目前没有一种深度学习算法能够在所有海洋气象应用场景中都取得最好的应用效果，因此需要根据海洋气象要素特征、场景不同，研发针对性深度学习模型，提高海洋气象要素预报的准确性和应用效果。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于深度学习的近海单点海浪浪高预报方法，结合近海区域海洋水文气象要素实测数据、数值模式预报数据，实现对近海单点海浪浪高准确度、低成本的短临预报。

为达到上述目的，本发明的技术方案为：一种基于深度学习的近岸单点海浪浪高预报方法，包括步骤如下：

S1.收集区域台站和海洋水文气象数据组成数据集，并对数据集进行处理；

S2.对所述数据集进行数据清洗和特征处理，得到有效数据，对所述有效数据进行分类，划分出训练集和测试集；

S3.构建基于深度学习的海浪浪高预测模型，用所述训练集对所述基于深度学习的海浪浪高预测模型进行训练，得到训练完成后的海浪浪高预测模型；