共查询到18条相似文献，搜索用时 765 毫秒
1.
为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,long short-term memory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radial basis function neural network,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。 相似文献
2.
海面高度异常是反映海洋环境状况的主要变量之一。本文使用1993—2019年的融合月均海面高度异常数据,建立了基于深度学习的海面高度异常预测神经网络模型,提出了基于融合U型网络(U-Net)和卷积长短记忆网络(ConvLSTM)的中长期海面高度异常预报模型。在研究海域0.25°×0.25°的空间分辨率下,模型测试集预报结果的均方根误差和平均绝对误差分别为0.039 m和0.027 m,均优于全连接LSTM预报模型和ConvLSTM+CNN预报模型,为大中尺度的海面高度异常预报提供了新的方法。 相似文献
3.
海浪直接影响海上活动和航行安全,同时也蕴藏着巨大的可再生能源,对海浪核心参数之一波高预测至关重要。基于2015年7月～2022年6月山东小麦岛(36°N,120.6°E)站点实测的波高数据,利用反向传播神经网络(back-propagation neural network,BPNN)、长短记忆网络(long short-term memory, LSTM)和支持向量机回归(support vector regression, SVR)三种机器学习模型对波高进行预测,并分析了瑞利参数的引入对预测结果的影响。结果显示,模型输入项引入瑞利参数后,对1 h和6 h波高预测提升效果有限,预测值与测试集的相关性提升不超过0.02,均方根误差的降低不超过0.01 m;在12h和24h的预测中,BPNN和LSTM模型预测结果相关性提升0.03～0.07,均方根误差降低0.02～0.03m,而SVR模型预测结果变化不显著。说明瑞利参数有助改善BPNN和LSTM模型中长期海浪预报。此外,特征扰动方法(机器学习中特征重要性的计算方法之一)验证了瑞利参数在波高预测中的重要性,瑞利参数的引入为波高的机器学习预... 相似文献
4.
本文基于中国首套长时间序列、高精度、高时空一致性的全球海洋气候数据集产品, 利用1993年1月至2015年12月的山东半岛近海海平面异常数据, 构建了基于集合经验模式分解(EEMD)和长短期记忆神经网络(LSTM)的海平面非线性变化组合预测模型。EEMD可以得到海平面异常的各周期项、线性趋势及残差部分, LSTM模型可对其进行逐个预测并重构得到最终的海平面异常预测结果。EEMD-LSTM组合模型海平面异常预测的均方根误差仅为25.87 mm, 取得了令人满意的效果。基于该组合模型预测2016-2025年山东半岛近海海平面上升速率将达到3.54 mm·a-1。 相似文献
5.
利用TOPEX高度计和NDBC浮标同步观测数据,对7种高度计海浪周期反演模型进行了系统的比较分析,从反演模式的精度、反演周期整体分布、周期-波高的联合分布等方面对反演模型做出了评价,并根据墨西哥湾和夏威夷海域反演结果对模型的区域适应性进行了验证,结合Hasselmann风浪充分成长关系分析了不同海浪成分下模型的反演效果。分析发现,Mackay等于2008年提出的算法(简称M08)相对于其他算法精度最高,且在不同海域和不同海浪成分下精度没有明显差异。利用M08算法反演了北太平洋海域的海浪平均周期分布,讨论其空间分布特征和季节变化特征如下:北太平洋海域的平均周期在墨西哥湾、西里伯斯海等沿岸地区较小,在西风带海域为较大,并存在明显的地形、纬度差异和季节性变化特征。 相似文献
6.
利用TOPEX高度计和NDBC浮标同步观测数据,对7种高度计海浪周期反演模型进行了系统的比较分析,从反演模式的精度、反演周期整体分布、周期-波高的联合分布等方面对反演模型做出了评价,并根据墨西哥湾和夏威夷海域反演结果对模型的区域适应性进行了验证,结合Hasselmann风浪充分成长关系分析了不同海浪成分下模型的反演效果.分析发现,Mackay等于2008年提出的算法(简称M08)相对于其他算法精度最高,且在不同海域和不同海浪成分下精度没有明显差异.利用M08算法反演了北太平洋海域的海浪平均周期分布,讨论其空间分布特征和季节变化特征如下:北太平洋海域的平均周期在墨西哥湾、西里伯斯海等沿岸地区较小,在西风带海域为较大,并存在明显的地形、纬度差异和季节性变化特征. 相似文献
7.
8.
本研究基于SODA(Simple Ocean Data Assimilation)的月平均海洋数据,提取出南海区域平均海平面高度异常(SSHA)的时间序列,并基于该时间序列开展了统计预测工作。研究中使用时间序列分解方法,将南海区域平均逐月SSHA时间序列分解为3个部分:年际变化项、季节项和扰动项。根据分解出的这3项时间序列变化特征,分别使用指数平滑法和自回归移动平均法去拟合时间序列中的年际变化项和扰动项,季节项将作为循环变化项叠加到前两项上。由此,建立了适用于该时间序列的预测模型,并且测试了该模型的预测能力。结果显示,研究建立的南海平均海平面高度异常模型的平均有效预报时间约为7个月,预报能力在春季和秋季较其余季节要强一些。另外,该模型在模拟时段内的预报技巧具有显著的十年际变化特征。 相似文献
9.
半潜平台在复杂海洋环境作用下,会发生不规则的六自由度运动响应。这种平台运动的不规则性和随机性对平台作业、栈桥控制以及直升机起落等造成极大的不确定和未知风险。因此,在极短期内准确快速预报平台运动响应对深海浮式平台作业和设备安全具有重要的实际意义。然而目前针对浮式平台运动响应的计算主要是基于势流理论,对确定波浪激励下的平台一阶运动和二阶慢漂运动进行求解,计算的时效性不能满足实际需求。此外,还需要对入射波浪时历进行准确预报,导致平台运动响应准确计算更加困难。针对上述难题,提出了基于EMD-LSTM模型进行平台运动极短期预报的方法。该方法以半潜平台模型试验数据为研究对象,首先对平台运动响应的时间序列进行预处理,接着采用经验模态分解算法(EMD)将时间序列分解成相对平稳的分量,再利用长短期记忆(LSTM)神经网络可以处理复杂非线性长时间序列的优点,对时间序列进行训练预测,最后进行仿真,同时与传统LSTM模型与EMD-BP模型进行对比,仿真结果表明基于EMD-LSTM模型的平台极短期预报方法精度较高,该方法是可行的,具有工程应用的实际意义。 相似文献
10.
面对海量的海表面温度数据,如何使用大数据处理平台和新的处理技术来实时处理、分析并预测海表面温度数据,是一个亟待解决的问题。本文基于现阶段的时间序列方法和专家意见,首先,将类比合成方法引入到海表面温度预测应用中;其次,基于Spark平台提出了一种改进的快速DTW算法SparkDTW;最后,为了充分利用通过时间序列挖掘得到的信息,将SparkDTW与SVM相结合,提出了SparkDTW+SVM混合模型,为海表面温度预测的应用研究提供了较好的理论基础和技术支持。实验结果表明,SparkDTW算法预测精度优于SVM,提高了海表面温度预测效率,验证了将类比合成方法应用在海表面温度预测的可行性;SparkDTW+SVM在精度方面要优于SparkDTW和SVM,表明SVM模型能充分利用时间序列挖掘的信息,验证了SparkDTW+SVM在海表面温度预测的有效性。 相似文献
11.
To explore new operational forecasting methods of waves, a forecasting model for wave heights at three stations in the Bohai Sea has been developed. This model is based on long short-term memory(LSTM) neural network with sea surface wind and wave heights as training samples. The prediction performance of the model is evaluated,and the error analysis shows that when using the same set of numerically predicted sea surface wind as input, the prediction error produced by the proposed LSTM model at Sta. N01 is 20%, 18% and 23% lower than the conventional numerical wave models in terms of the total root mean square error(RMSE), scatter index(SI) and mean absolute error(MAE), respectively. Particularly, for significant wave height in the range of 3–5 m, the prediction accuracy of the LSTM model is improved the most remarkably, with RMSE, SI and MAE all decreasing by 24%. It is also evident that the numbers of hidden neurons, the numbers of buoys used and the time length of training samples all have impact on the prediction accuracy. However, the prediction does not necessary improve with the increase of number of hidden neurons or number of buoys used. The experiment trained by data with the longest time length is found to perform the best overall compared to other experiments with a shorter time length for training. Overall, long short-term memory neural network was proved to be a very promising method for future development and applications in wave forecasting. 相似文献
12.
河口潮汐过程受上游径流、外海潮波等综合因素影响,动力机制复杂,潮位预报难度大。本文提出了一种基于非稳态调和分析（NS_TIDE）和长短时记忆（LSTM）神经网络的混合模型,对河口潮位进行12~48 h短期预报。该模型首先对河口实测潮汐数据进行非稳态调和分析,通过与实测资料对比得到分析误差的时序序列;以此作为LSTM神经网络的输入数据,通过网络学习并预测未来12~48 h潮位预报误差,据此对NS_TIDE的预测结果进行实时校正。利用该模型对2020年长江口潮位过程进行了预报检验,结果表明混合模型12 h、24 h、36 h和48 h短期水位预报的均方根误差（RMSE）相比NS_TIDE模型至多分别降低了0.16 m、0.15 m、0.14 m和0.12 m;针对2020年南京站最高水位预测,NS_TIDE模型预报误差为0.64 m,而混合模型预报误差仅为0.10 m。 相似文献
13.
利用1921–2020年的海平面气压、海平面高度、热含量数据以及海冰密集度作为太平洋年代际振荡（Pacific Decadal Oscillation, PDO）指数的预报要素,建立了关于PDO指数时间序列预测的多变量长短期记忆（Long Short Term Memory, LSTM）神经网络模型,对比分析了2011–2020年不同时间序列预测模型的PDO指数预测结果,最后利用多变量LSTM神经网络模型实现了2021–2030年的PDO指数预测。结果显示,多变量LSTM神经网络模型的预测值与观测值经过交叉验证后的平均相关系数和均方根误差分别为0.70和0.62;PDO未来10年将一直处于冷位相,PDO神经网络指数出现两次波动,于2025年出现最小值。相比于其他时间序列预测模型,本文采用的多变量LSTM神经网络模型预测结果误差小、拟合效果好,可以作为一种新型的预测PDO指数的手段。 相似文献
14.
Prediction of wave height is of great importance in marine and coastal engineering. Soft computing tools such as artificial neural networks (ANNs) are recently used for prediction of significant wave height. However, ANNs are not as transparent as semi-empirical regression-based models. In addition, neural networks approach needs to find network parameters such as number of hidden layers and neurons by trial and error, which is time consuming. Therefore, in this work, model trees as a new soft computing method was invoked for prediction of significant wave height. The main advantage of model trees is that, compared to neural networks, they represent understandable rules. These rules can be readily expressed so that humans can understand them. The data set used for developing model trees comprises of wind and wave data gathered in Lake Superior from 6 April to 10 November 2000 and 19 April to 6 November 2001. M5′ algorithm was employed for building and evaluating model trees. Training and testing data include wind speed (U10) as the input variable and the significant wave height (Hs) as the output variable. Results indicate that error statistics of model trees and feed-forward back propagation (FFBP) ANNs were similar, while model trees was marginally more accurate. In addition, model tree shows that for wind speed above 4.7 m/s, the wave height increases nonlinearly by the wind speed. 相似文献
15.
基于二元LSTM神经网络的船舶运动预测算法研究 总被引：1，自引：1，他引：0
在海况环境下,进行船舶运动预测时。由于惯性传感器采集系统本身的电学特性,会产生误差偏移,影响预测的准确性。针对这一问题,在常规长短期记忆网络（LSTM）的基础上,设计改良了一种二元的LSTM网络架构。在船舶运动仿真平台上进行模拟船舶升沉运动实验,并通过惯性传感系统测量仿真平台实时积分位移进行计算验证。验证统计该网络预测结果峰差值均方差0.64%,均值均方差0.42%,峰值均方差0.57%,证实该网络较常规LSTM在船舶运动预测领域具有更好的针对性和适应性,更准确的对船舶运动进行预测。 相似文献
16.
海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。 相似文献
17.
基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究 总被引：3，自引：1，他引：2
基于海洋气象历史观测资料和再分析数据等，利用LSTM深度神经网络方法，开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域，通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子，分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析，得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差，RMSE分别降低了41.3%和38.8%，MAE平均降低了43.0%和40.0%；风速误差统计和极端大风分析发现，LSTM模型能够抓住地形、短时大风和台风等敏感信息，对于大风过程预报结果明显优于WRF模式；两种LSTM模型对比发现，ALL_LSTM模型风速预报误差最小，具有很好的稳定性和鲁棒性，OBS_LSTM模型应用范围更广泛。 相似文献
18.
针对传统人工神经网络对叶绿素a浓度预测存在训练速度慢、收敛精度低、易陷入局部最优，尤其是无法灵活的利用任意长度的历史信息对叶绿素a浓度进行预测等问题，本文根据海洋各要素与叶绿素a浓度之间的长短期依赖程度，对叶绿素a浓度与各要素间的关系进行界定，分别将各要素与叶绿素a浓度之间的长期依赖关系与短期依赖关系分割开来，并且在长短期记忆(Long Short-Term Memory, LSTM)神经网络模型的基础上构建融合的LSTM预测模型，模型中的长期依赖关系与短期依赖关系分别使用不同的神经元，最终在模型的最上层进行长短期融合。本文选取三都澳站位的连续监测资料作为实验数据，实验结果表明本文构建的模型不仅具有训练误差下降快的优点，与其他3种经典的神经网络模型相比，预测精度也有显著提高。 相似文献