海浪預(yù)報方法研究進展

劉 凡，陸小敏，徐 丹，戴雯雯，李慧洲

(1.河海大學(xué)海岸災(zāi)害與防護教育部重點實驗室，江蘇 南京 211100； 2.河海大學(xué)計算機與信息學(xué)院，江蘇 南京 211100； 3.江蘇科技大學(xué)計算機學(xué)院，江蘇 鎮(zhèn)江 212100)

災(zāi)害性海浪通常是指海上有效波高大于或等于4 m的海浪[1]，主要是在熱帶氣旋(臺風(fēng))、溫帶氣旋和寒潮的作用下形成的，能夠掀翻海上的船只，摧毀海洋和海岸工程，給一切海上活動帶來巨大的危害。在岸邊，災(zāi)害性海浪不僅會沖擊、摧毀各類建筑物，還會對人類生命財產(chǎn)安全、農(nóng)作物生產(chǎn)、水產(chǎn)養(yǎng)殖品的存活造成威脅。最終海浪所導(dǎo)致的泥沙運動會使海港和航道淤塞，對海上作業(yè)船只的出行造成不便和威脅。因此，需要精準(zhǔn)的海浪預(yù)報以保障船只和人員的安全，并指導(dǎo)以沿海城市為核心的生產(chǎn)、生活活動，如海水浴場、濱湖旅游區(qū)以及漁場等。

經(jīng)過科研工作者多年的努力，海浪預(yù)報方法取得了很大的進展，預(yù)報精度不斷提高，在不同場景得到了較好的應(yīng)用。但目前的預(yù)報方法對于數(shù)據(jù)實時性大多要求較高。由于遠(yuǎn)離大陸，深海海域難以設(shè)置觀測站，觀測數(shù)據(jù)需要遠(yuǎn)洋信息傳遞，實時性難以保障。本文對比分析了現(xiàn)有海浪預(yù)報方法的優(yōu)缺點，以及海浪預(yù)報的發(fā)展趨勢，展望了未來大數(shù)據(jù)、人工智能等新技術(shù)在海浪預(yù)報研究領(lǐng)域的應(yīng)用前景。

1 研究現(xiàn)狀

已有的海浪預(yù)報方法主要可以分為3類：半經(jīng)驗半理論預(yù)報法、經(jīng)驗統(tǒng)計預(yù)報法、數(shù)值預(yù)報法[2-3]。19世紀(jì)初，由于軍事需要，英國海軍根據(jù)多年觀測的海面狀況資料，制成了海面風(fēng)力海況表[4]，海浪預(yù)報就此誕生。但由于預(yù)報理論和預(yù)報技術(shù)發(fā)展緩慢，很長一段時間，海浪預(yù)報研究停步不前。直到20世紀(jì)40年代，美國空軍海洋部的科學(xué)家們提出了依據(jù)海浪的風(fēng)要素預(yù)報海浪要素的半經(jīng)驗半理論預(yù)報模型。同時，由于海浪現(xiàn)象的隨機性，國內(nèi)外海洋研究學(xué)者提出了一種基于海洋觀測資料的經(jīng)驗統(tǒng)計預(yù)報模型，該模型計算簡單，預(yù)測結(jié)果可靠。到20世紀(jì)60年代，隨著計算機、衛(wèi)星遙感和傳感器的廣泛應(yīng)用，海浪預(yù)報理論得到了進一步的發(fā)展，海浪的數(shù)值預(yù)報方式隨之產(chǎn)生。時至今日，隨著海洋經(jīng)濟的不斷發(fā)展以及為了滿足海洋工程的需要，海浪預(yù)報方法也得到了不斷的發(fā)展和完善。

1.1 半經(jīng)驗半理論預(yù)報法

半經(jīng)驗半理論預(yù)報法是一種根據(jù)風(fēng)要素(風(fēng)速、風(fēng)時及風(fēng)區(qū))預(yù)報風(fēng)浪和涌浪的海浪預(yù)報方法。依據(jù)計算海浪要素(風(fēng)浪、涌浪以及淺水風(fēng)浪)的波譜公式不同可以劃分為3種：(a)由Sverdrup等[5]提出的最早的半經(jīng)驗半理論預(yù)報方法，即有效波預(yù)報方法。該方法的特點是分別考慮風(fēng)時和風(fēng)區(qū)，有效波高取決于其中的較大值。后由Bretschneider[6]對有效波預(yù)報方法進行改進，提出一種SMB法，其主要特點是在有效波預(yù)報方法的基礎(chǔ)上，添加風(fēng)速要素來實現(xiàn)海浪要素的預(yù)報。(b)由Pierson等[7]提出的PNJ(pierson neumann james)波譜預(yù)報方法，其主要計算涌浪，特點是依據(jù)海浪的譜要素得出海浪要素。(c)文圣常教授[8-9]于20世紀(jì)60年代初提出的能量平衡導(dǎo)出譜預(yù)報方法，其主要特點是結(jié)合了兩種方式，由波浪的能量要素和譜要素配合計算風(fēng)浪要素。

1.2 經(jīng)驗統(tǒng)計預(yù)報法

由于海浪現(xiàn)象規(guī)律性難尋，目前還沒有理論上完善的海浪預(yù)報方法，只能依賴一些經(jīng)驗統(tǒng)計預(yù)報方法。雖然這些方法大部分理論依據(jù)不足，但它們是直接基于實際觀測數(shù)據(jù)擬合得到的，并且在臺風(fēng)浪的預(yù)報中取得了預(yù)期效果，所以海浪經(jīng)驗統(tǒng)計預(yù)報法依然是實際生產(chǎn)生活中不可或缺的預(yù)報方法之一。其中常用的幾種預(yù)報方法是：(a)Wilson經(jīng)驗預(yù)報法[10]。該方法依據(jù)波速變量、風(fēng)區(qū)長度變量和風(fēng)速變量，由Wilson經(jīng)驗預(yù)報公式計算出海浪的波高。該方法不僅能應(yīng)用于深水、淺水的海浪要素預(yù)報，還能預(yù)報遠(yuǎn)洋和近海的海浪要素，是目前在海浪經(jīng)驗預(yù)報方面應(yīng)用最為廣泛的方法之一。(b)Bretschneider經(jīng)驗預(yù)報法[11]。該方法以有效波方法為理論基礎(chǔ)，其主要特點是使用已有資料推算出最大風(fēng)速。(c)宇野木經(jīng)驗預(yù)報法[12]。該方法通過觀測大量的臺風(fēng)資料，解釋了臺風(fēng)浪的分布狀態(tài)與臺風(fēng)氣壓和大風(fēng)半徑之間的關(guān)系，目前仍是主要的臺風(fēng)浪預(yù)報方法之一。(d)井島經(jīng)驗預(yù)報法[13]。該方法是井島等以Wilson經(jīng)驗預(yù)報法理論為基礎(chǔ)提出的一種臺風(fēng)浪經(jīng)驗統(tǒng)計預(yù)報方法，同樣也是根據(jù)風(fēng)區(qū)長度變量、風(fēng)速變量以及周期計算出波高。許富祥等[14-16]于20世紀(jì)90年代對中國近海及其鄰近海域的災(zāi)害性海浪分布進行了統(tǒng)計分析，結(jié)果表明基于經(jīng)驗統(tǒng)計的預(yù)報方法在中國海域也具有較好的適用性。

1.3 數(shù)值預(yù)報法

從第一臺通用計算機誕生以來，計算機的計算能力得到飛躍式的提升，推動了數(shù)據(jù)預(yù)報的發(fā)展。隨著20世紀(jì)70年代“聯(lián)合北海開發(fā)計劃”的啟動，海浪的預(yù)報方法轉(zhuǎn)向海浪的數(shù)值預(yù)報方法。經(jīng)科研工作者多年的努力，海浪的數(shù)值預(yù)報方法開始在歐洲國家實際應(yīng)用。通過對海浪數(shù)值預(yù)報的深入研究，GROUP小組[17]將海浪數(shù)值預(yù)報法的發(fā)展劃分為3代。

第一代模式：19世紀(jì)60年代至70年代初發(fā)展起來，即譜的能量平衡方程式。該模式的主要特點是在能量平衡方程式的基礎(chǔ)上假定變量波之間相互獨立，并且在每一組波充分成長時，立即停止增長。

第二代模式：19世紀(jì)70年代后。該模式可以分成兩部分：(a)使用非線性耦合和線性耦合作為預(yù)報風(fēng)浪和涌浪的耦合混合模型，簡稱CH(coupled hybrid)模式；(b)直接使用非線性耦合作用，同時預(yù)報風(fēng)浪和涌浪的耦合離散型模型，簡稱CD(coupled discrete)模式。第二代模式的主要特點是以風(fēng)浪和涌浪作為海浪要素的直接觀測法，與第一代模式不同的是考慮了波與波之間的相互關(guān)系而非相互獨立。

第三代模式：20世紀(jì)末，隨著計算機的快速發(fā)展，西歐的海洋研究人員迎來了第三代模式，即WAM(wave modeling group)模式[18]。其主要特征是直接計算波與波之間的非線性能量傳輸作用，考慮能量平衡方程中的各個項，模型的預(yù)報結(jié)果與實際值吻合較好，是一種能夠廣泛應(yīng)用于全球淺水、深水的數(shù)值預(yù)報方法[19-20]。

此后，海浪的模擬和研究多以第三代數(shù)值預(yù)報模式為主要參考，SWAN(simulating waves nearshore)模式和WW3(WAVE WATCH Ⅲ)模式都是基于第三代數(shù)值預(yù)報模式建立的。SWAN模式是由荷蘭科學(xué)家Booij等[21]提出的、一種能廣泛應(yīng)用于近海岸的數(shù)值預(yù)報方法。相對于WAM模式，SWAN模式是一種隱式的數(shù)值模型，該模式的傳播方案具有較強的擴散性且更經(jīng)濟，適用于沿海和近海區(qū)域的波浪預(yù)報[22-23]。WW3模式是由美國國家環(huán)境預(yù)報中心(National Centers for Environmental Prediction，NCEP)的科學(xué)家Tolman等[24]提出的一種數(shù)值預(yù)報方法。作為第三代海浪數(shù)值預(yù)報方法的典型代表，WW3模式從波作用量出發(fā)，綜合考慮了地形、海流、海氣溫差、波浪淺水形變等多種要素。與WAM模式不同，WW3模式基于完全不穩(wěn)定的頻譜作用密度方程，以便考慮到大規(guī)模波流的相互作用。與WAM模式相比，該模式能更真實地描述波高的變化，具有相似或更小的隨機誤差、更好的相關(guān)系數(shù)和回歸斜率。WW3模式應(yīng)用廣泛[25-30]，其穩(wěn)定性及預(yù)報能力已經(jīng)獲得了廣泛的認(rèn)可，并廣泛應(yīng)用于大浪生成傳播[31-33]、波浪能資源評估[34]等方面。

20世紀(jì)70年代中期，我國科研工作者研發(fā)了能夠應(yīng)用于我國海域的海浪數(shù)值預(yù)報方法。文圣常[35]較為詳細(xì)地討論了海浪模式和海浪理論，為中國海洋數(shù)值模擬研究提供了可靠的理論依據(jù)。接著，文圣常[36]又研制了新的混合型模式，該模式與CH模式的不同點在于：一是將風(fēng)浪部分進行采樣并將其參數(shù)量化，二是通過譜風(fēng)浪方法對涌浪部分采樣。王文質(zhì)等[37]介紹了一種能夠應(yīng)用于深、淺海的海浪數(shù)值預(yù)報方法，該方法的預(yù)報值與實際值之間誤差較小，應(yīng)用廣泛。隋世峰等[38-39]提出了應(yīng)用于臺風(fēng)浪的數(shù)值預(yù)報方法，該方法的特點是在原有的數(shù)值預(yù)報模式中添加了一項風(fēng)浪成長參數(shù)，即平均波齡，其優(yōu)點是可以使風(fēng)浪充分成長為譜模式，繼而有效地計算出波高。袁業(yè)立等[40]引入更加復(fù)雜的區(qū)域性海浪模式和特征嵌入的數(shù)值預(yù)報模式，即LGFD(laboratory of geophysical fluid dynamics)模式，該模式以能量平衡方程式為基礎(chǔ)，預(yù)報數(shù)據(jù)與實際值誤差較小，在我國南海區(qū)域得到了很好的應(yīng)用。夏璐一等[41]依據(jù)臺風(fēng)移動路徑與有效波高距離成反比的關(guān)系提出一種數(shù)值預(yù)報模型，其預(yù)報數(shù)據(jù)與實際值吻合較好，為海浪預(yù)報研究提供了參考依據(jù)。

1.4 對比分析

不同的海浪預(yù)報方法，其預(yù)報的精度和可操作性也會不同。表1對3類主要海浪預(yù)報方法的相關(guān)參數(shù)、優(yōu)缺點、可靠性以及適用性等進行了對比。

表1 海浪預(yù)報方法對比分析

半經(jīng)驗半理論預(yù)報法提出最早，由于觀測數(shù)據(jù)需求較少，缺少充分的理論作為支撐，對于海浪的成因缺少充分的考慮，雖在局部地區(qū)有較好的適用效果，但缺乏廣泛性，對于部分場景的精度難以滿足需求；經(jīng)驗統(tǒng)計預(yù)報法基于較長時間觀測數(shù)據(jù)，運用數(shù)學(xué)建模的思想來預(yù)報海浪，預(yù)報精度較高，但是對于數(shù)據(jù)來源有依賴性，廣泛性不足；數(shù)值預(yù)報法考慮了海浪形成的各種因素，根據(jù)流體力學(xué)原理計算波浪，在深海和淺海都有很好的應(yīng)用，但是計算成本大，復(fù)雜度高。

2 發(fā)展趨勢

2.1 基于大數(shù)據(jù)的海浪預(yù)報

能夠引起災(zāi)害性海浪的潛在因素很多，如熱帶氣旋(臺風(fēng)、颶風(fēng))、溫帶氣旋、寒潮的強風(fēng)作用等，如何從中找到最相關(guān)的影響因子是海浪預(yù)報的關(guān)鍵。近年來，隨著大數(shù)據(jù)的發(fā)展，大數(shù)據(jù)技術(shù)可以從海量數(shù)據(jù)中挖掘關(guān)鍵因子，并揭示數(shù)據(jù)之間隱藏的關(guān)系模式，其在天氣精準(zhǔn)預(yù)報、用戶行為預(yù)報、城市物價預(yù)報、災(zāi)害災(zāi)難預(yù)報等領(lǐng)域獲得了廣泛的應(yīng)用。Booz等[42]開發(fā)了基于大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)天氣預(yù)報系統(tǒng)，引入滑動窗口機制對輸入端數(shù)據(jù)進行控制，用過去10年、30年、50年、70年的歷史數(shù)據(jù)作為訓(xùn)練集驗證2010—2017年的天氣。結(jié)果表明，基于大數(shù)據(jù)的海浪預(yù)報模型所得結(jié)果與實際值吻合度較高。張?zhí)A廉等[43]使用大數(shù)據(jù)技術(shù)分析得知在海洋氣象中風(fēng)浪之間的關(guān)系呈準(zhǔn)線性分布，且多次預(yù)報檢驗顯示，基于大數(shù)據(jù)分析的有效浪高預(yù)報結(jié)果在海浪等級上完全正確，數(shù)值上最大相差0.4 m，取得了較好的預(yù)報結(jié)果。

海洋大數(shù)據(jù)相比于傳統(tǒng)意義上的海洋數(shù)據(jù)具有海量性、多樣性、時效性和低價值密度性等特點。利用大數(shù)據(jù)分析技術(shù)能夠優(yōu)化流程，實時處理海量的多樣化數(shù)據(jù)，為提高海浪預(yù)報精度提供重要的數(shù)據(jù)參考。因此，為了提高海浪預(yù)報的準(zhǔn)確性，可以有效結(jié)合目前海浪預(yù)報方法和大數(shù)據(jù)技術(shù)，構(gòu)建如圖1所示的基于大數(shù)據(jù)的海浪預(yù)報系統(tǒng)，為海洋與漁業(yè)的科學(xué)管理提供強有力支撐。

圖1 基于大數(shù)據(jù)的海浪預(yù)報系統(tǒng)架構(gòu)Fig.1 Framework of ocean wave forecasting system based on big data

基于大數(shù)據(jù)的海浪預(yù)報系統(tǒng)架構(gòu)包括以下4個功能層次：

a.海洋數(shù)據(jù)多源感知與探測。隨著各類新型技術(shù)和設(shè)備的不斷更新應(yīng)用，海洋觀測體系已發(fā)展成為包括衛(wèi)星遙感、海洋調(diào)查船、觀測站、浮標(biāo)陣列等在內(nèi)的全球化多尺度、多學(xué)科要素的綜合立體化數(shù)據(jù)采集方式，可以獲取海量多源異構(gòu)的海洋數(shù)據(jù)。

b.數(shù)據(jù)存儲計算。在實時海浪預(yù)報過程中，由于海浪數(shù)據(jù)來源范圍廣、時間跨度長、時序數(shù)據(jù)多維性、影響因素多等特征，導(dǎo)致數(shù)據(jù)冗余，數(shù)據(jù)處理和挖掘困難。所以，在調(diào)用原生數(shù)據(jù)之前，需要對數(shù)據(jù)進行集成、清洗、變換、規(guī)約的預(yù)處理，通過分布式存儲系統(tǒng)(DSS)實現(xiàn)數(shù)據(jù)存儲。

c.數(shù)據(jù)模型。利用大數(shù)據(jù)基礎(chǔ)架構(gòu)實現(xiàn)數(shù)據(jù)快速讀取與計算，憑借大數(shù)據(jù)挖掘分布式框架中的協(xié)同過濾算法，根據(jù)不同的任務(wù)要求，從海浪數(shù)據(jù)中剔除不相關(guān)的特征數(shù)據(jù)，然后采用成熟的數(shù)值預(yù)報模型獲取有價值的預(yù)報結(jié)果，從而提高系統(tǒng)的處理速度和精度。

d.數(shù)據(jù)應(yīng)用。大數(shù)據(jù)應(yīng)用為各種海洋部門和普通用戶提供業(yè)務(wù)管理、決策支持、公共服務(wù)以及其他個性化服務(wù)，提升對人民群眾人身財產(chǎn)安全的保障能力。

2.2 基于人工智能的海浪預(yù)報

在過去10年中，人工智能方法越來越多地被應(yīng)用于災(zāi)害性海浪預(yù)報中，如王華等[44]提出了基于BP人工神經(jīng)網(wǎng)絡(luò)的海浪預(yù)報模型，可以處理海浪數(shù)據(jù)的非線性關(guān)系，滿足實際預(yù)報要求。Deo等[45]利用神經(jīng)網(wǎng)絡(luò)算法預(yù)測有效波高，與自回歸模型(autoregressive model，AR)相比，神經(jīng)網(wǎng)絡(luò)的波高預(yù)測與其實際觀測值的協(xié)方差更高。朱智慧等[46]使用BP神經(jīng)網(wǎng)絡(luò)法預(yù)測有效波高和平均波向，結(jié)果表明，對近岸浮標(biāo)，BP神經(jīng)網(wǎng)絡(luò)法的預(yù)報準(zhǔn)確度比WW3有明顯的提高。Sinha等[47]采用遺傳算法(genetic algorithm，GA)對孟加拉灣進行波高預(yù)測，發(fā)現(xiàn)GA在更長的時間范圍內(nèi)表現(xiàn)更好。Nikoo等[48]首次提出將人工免疫識別系統(tǒng)(artificial immune recognition system，AIRS)用于美國北部蘇必利爾湖有效波高的預(yù)測，其預(yù)報結(jié)果優(yōu)于人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)、貝葉斯網(wǎng)絡(luò)(Bayesian networks，BN)以及支持向量機(support vector machines，SVM)等方法。Wu等[49]提出了集成經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition，EMD)算法和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)的海溫預(yù)測法，該方法通過聚合各系列固有模式函數(shù)的預(yù)報數(shù)據(jù)，得到最終的海溫預(yù)測結(jié)果，應(yīng)用于北太平洋海溫的實例分析表明，該模型能有效預(yù)報時間序列海溫。Ali等[50]利用改進的極限學(xué)習(xí)機(extreme learning machine，ELM)模型，將有效波高的歷史滯后序列作為模型的預(yù)測因子來預(yù)測未來的有效波高，具有較高的準(zhǔn)確性。James等[51]分別使用多層感知機(multilayer perceptron，MLP)和支持向量機(SVM)進行波高的回歸分析和特征周期的分類分析，結(jié)果表明，這兩種機器學(xué)習(xí)模型的預(yù)報結(jié)果準(zhǔn)確且計算效率高。

通過長時間連續(xù)的視頻監(jiān)測可以彌補傳統(tǒng)監(jiān)測手段實時性和便捷性的不足，更精準(zhǔn)地掌握海浪出現(xiàn)的規(guī)律。但是通過視頻監(jiān)測獲取的海浪數(shù)據(jù)量大、特征復(fù)雜，人工提取特征困難。傳統(tǒng)的機器學(xué)習(xí)方法需要人工提取先驗知識，使海浪圖像的分類識別變得困難。隨著大數(shù)據(jù)深度學(xué)習(xí)時代的來臨，人工智能領(lǐng)域產(chǎn)生了非常深刻的變革，能夠?qū)崿F(xiàn)運算量指數(shù)級的增加，并且能夠克服底層特征提取的困難，提高分類和預(yù)報的準(zhǔn)確性，在視頻及圖像處理領(lǐng)域得到了廣泛應(yīng)用。如Zhang等[52]將經(jīng)典深度信念網(wǎng)絡(luò)(deep belief network，DBN)中的受限玻爾茲曼機(restricted Boltzmann machine，RBM)替換為包含時間信息的條件受限玻爾茲曼機(conditional restricted Boltzmann machine，CRBM)，建立CRBM-DBN模型。該模型利用粒子群算法確定的關(guān)鍵模型參數(shù)來預(yù)報有效波高，有良好的短期和極端事件預(yù)報能力。郝劍波[53]提出使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)對視頻監(jiān)測的海浪數(shù)據(jù)進行海浪等級劃分，為近海岸海浪預(yù)警預(yù)報提供理論支撐。因此，利用海浪大數(shù)據(jù)，研究有效的深度學(xué)習(xí)海浪預(yù)報模型可以較好地克服已有預(yù)報方法的不足，為災(zāi)害性海浪預(yù)報提供新的解決思路。

3 結(jié) 語

精準(zhǔn)的海浪預(yù)報對保障沿海人民生產(chǎn)生活安全和航海事業(yè)具有重要作用。目前在海浪預(yù)報方法中大數(shù)據(jù)、人工智能等新技術(shù)應(yīng)用并不廣泛，但這些技術(shù)能夠優(yōu)化流程、實時處理海量的多樣化數(shù)據(jù)，并因?qū)Ψ蔷€性數(shù)據(jù)的不敏感而被廣泛應(yīng)用于各種預(yù)報研究領(lǐng)域，對于預(yù)報因子多、關(guān)系復(fù)雜的氣象和海洋預(yù)報，同樣具有很好的應(yīng)用前景。