海浪預報方法研究進展

劉 凡，陸小敏，徐 丹，戴雯雯，李慧洲

(1.河海大學海岸災害與防護教育部重點實驗室，江蘇 南京 211100； 2.河海大學計算機與信息學院，江蘇 南京 211100； 3.江蘇科技大學計算機學院，江蘇 鎮江 212100)

災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)、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安全、農作物生產、水產養殖品的存活造成威脅。最終海浪所導致的泥沙運動會使海港和航道淤塞，對海上作業船只的出行造成不便和威脅。因此，需要精準的海浪預報以保障船只和人員的安全，并指導以沿海城市為核心的生產、生活活動，如海水浴場、濱湖旅游區以及漁場等。

經過科研工作者多年的努力，海浪預報方法取得了很大的進展，預報精度不斷提高，在不同場景得到了較好的應用。但目前的預報方法對于數據實時性大多要求較高。由于遠離大陸，深海海域難以設置觀測站，觀測數據需要遠洋信息傳遞，實時性難以保障。本文對比分析了現有海浪預報方法的優缺點，以及海浪預報的發展趨勢，展望了未來大數據、人工智能等新技術在海浪預報研究領域的應用前景。

1 研究現狀

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

1.1 半經驗半理論預報法

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

1.2 經驗統計預報法

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

1.3 數值預報法

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，推動了數據預報的發展。隨著20世紀70年代“聯合北海開發計劃”的啟動，海浪的預報方法轉向海浪的數值預報方法。經科研工作者多年的努力，海浪的數值預報方法開始在歐洲國家實際應用。通過對海浪數值預報的深入研究，GROUP小組[17]將海浪數值預報法的發展劃分為3代。

第一代模式：19世紀60年代至70年代初發展起來，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報風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，同時預報風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系而非相互獨立。

第三代模式：20世紀末，隨著計算機的快速發展，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，模型的預報結果與實際值吻合較好，是一種能夠廣泛應用于全球淺水、深水的數值預報方法[19-20]。

此后，海浪的模擬和研究多以第三代數值預報模式為主要參考，SWAN(simulating waves nearshore)模式和WW3(WAVE WATCH Ⅲ)模式都是基于第三代數值預報模式建立的。SWAN模式是由荷蘭科學家Booij等[21]提出的、一種能廣泛應用于近海岸的數值預報方法。相對于WAM模式，SWAN模式是一種隱式的數值模型，該模式的傳播方案具有較強的擴散性且更經濟，適用于沿海和近海區域的波浪預報[22-23]。WW3模式是由美國國家環境預報中心(National Centers for Environmental Prediction，NCEP)的科學家Tolman等[24]提出的一種數值預報方法。作為第三代海浪數值預報方法的典型代表，WW3模式從波作用量出發，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模式基于完全不穩定的頻譜作用密度方程，以便考慮到大規模波流的相互作用。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、更好的相關系數和回歸斜率。WW3模式應用廣泛[25-30]，其穩定性及預報能力已經獲得了廣泛的認可，并廣泛應用于大浪生成傳播[31-33]、波浪能資源評估[34]等方面。

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

1.4 對比分析

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

表1 海浪預報方法對比分析

半經驗半理論預報法提出最早，由于觀測數據需求較少，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；經驗統計預報法基于較長時間觀測數據，運用數學建模的思想來預報海浪，預報精度較高，但是對于數據來源有依賴性，廣泛性不足；數值預報法考慮了海浪形成的各種因素，根據流體力學原理計算波浪，在深海和淺海都有很好的應用，但是計算成本大，復雜度高。

2 發展趨勢

2.1 基于大數據的海浪預報

能夠引起災害性海浪的潛在因素很多，如熱帶氣旋(臺風、颶風)、溫帶氣旋、寒潮的強風作用等，如何從中找到最相關的影響因子是海浪預報的關鍵。近年來，隨著大數據的發展，大數據技術可以從海量數據中挖掘關鍵因子，并揭示數據之間隱藏的關系模式，其在天氣精準預報、用戶行為預報、城市物價預報、災害災難預報等領域獲得了廣泛的應用。Booz等[42]開發了基于大數據的神經網絡天氣預報系統，引入滑動窗口機制對輸入端數據進行控制，用過去10年、30年、50年、70年的歷史數據作為訓練集驗證2010—2017年的天氣。結果表明，基于大數據的海浪預報模型所得結果與實際值吻合度較高。張藺廉等[43]使用大數據技術分析得知在海洋氣象中風浪之間的關系呈準線性分布，且多次預報檢驗顯示，基于大數據分析的有效浪高預報結果在海浪等級上完全正確，數值上最大相差0.4 m，取得了較好的預報結果。

海洋大數據相比于傳統意義上的海洋數據具有海量性、多樣性、時效性和低價值密度性等特點。利用大數據分析技術能夠優化流程，實時處理海量的多樣化數據，為提高海浪預報精度提供重要的數據參考。因此，為了提高海浪預報的準確性，可以有效結合目前海浪預報方法和大數據技術，構建如圖1所示的基于大數據的海浪預報系統，為海洋與漁業的科學管理提供強有力支撐。

圖1 基于大數據的海浪預報系統架構Fig.1 Framework of ocean wave forecasting system based on big data

基于大數據的海浪預報系統架構包括以下4個功能層次：

a.海洋數據多源感知與探測。隨著各類新型技術和設備的不斷更新應用，海洋觀測體系已發展成為包括衛星遙感、海洋調查船、觀測站、浮標陣列等在內的全球化多尺度、多學科要素的綜合立體化數據采集方式，可以獲取海量多源異構的海洋數據。

b.數據存儲計算。在實時海浪預報過程中，由于海浪數據來源范圍廣、時間跨度長、時序數據多維性、影響因素多等特征，導致數據冗余，數據處理和挖掘困難。所以，在調用原生數據之前，需要對數據進行集成、清洗、變換、規約的預處理，通過分布式存儲系統(DSS)實現數據存儲。

c.數據模型。利用大數據基礎架構實現數據快速讀取與計算，憑借大數據挖掘分布式框架中的協同過濾算法，根據不同的任務要求，從海浪數據中剔除不相關的特征數據，然后采用成熟的數值預報模型獲取有價值的預報結果，從而提高系統的處理速度和精度。

d.數據應用。大數據應用為各種海洋部門和普通用戶提供業務管理、決策支持、公共服務以及其他個性化服務，提升對人民群眾人身財產安全的保障能力。

2.2 基于人工智能的海浪預報

在過去10年中，人工智能方法越來越多地被應用于災害性海浪預報中，如王華等[44]提出了基于BP人工神經網絡的海浪預報模型，可以處理海浪數據的非線性關系，滿足實際預報要求。Deo等[45]利用神經網絡算法預測有效波高，與自回歸模型(autoregressive model，AR)相比，神經網絡的波高預測與其實際觀測值的協方差更高。朱智慧等[46]使用BP神經網絡法預測有效波高和平均波向，結果表明，對近岸浮標，BP神經網絡法的預報準確度比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測，發現GA在更長的時間范圍內表現更好。Nikoo等[48]首次提出將人工免疫識別系統(artificial immune recognition system，AIRS)用于美國北部蘇必利爾湖有效波高的預測，其預報結果優于人工神經網絡(artificial neural network，ANN)、貝葉斯網絡(Bayesian networks，BN)以及支持向量機(support vector machines，SVM)等方法。Wu等[49]提出了集成經驗模態分解(empirical mode decomposition，EMD)算法和反向傳播神經網絡(BPNN)的海溫預測法，該方法通過聚合各系列固有模式函數的預報數據，得到最終的海溫預測結果，應用于北太平洋海溫的實例分析表明，該模型能有效預報時間序列海溫。Ali等[50]利用改進的極限學習機(extreme learning machine，ELM)模型，將有效波高的歷史滯后序列作為模型的預測因子來預測未來的有效波高，具有較高的準確性。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，結果表明，這兩種機器學習模型的預報結果準確且計算效率高。

通過長時間連續的視頻監測可以彌補傳統監測手段實時性和便捷性的不足，更精準地掌握海浪出現的規律。但是通過視頻監測獲取的海浪數據量大、特征復雜，人工提取特征困難。傳統的機器學習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。隨著大數據深度學習時代的來臨，人工智能領域產生了非常深刻的變革，能夠實現運算量指數級的增加，并且能夠克服底層特征提取的困難，提高分類和預報的準確性，在視頻及圖像處理領域得到了廣泛應用。如Zhang等[52]將經典深度信念網絡(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鍵模型參數來預報有效波高，有良好的短期和極端事件預報能力。郝劍波[53]提出使用卷積神經網絡(convolutional neural networks，CNN)對視頻監測的海浪數據進行海浪等級劃分，為近海岸海浪預警預報提供理論支撐。因此，利用海浪大數據，研究有效的深度學習海浪預報模型可以較好地克服已有預報方法的不足，為災害性海浪預報提供新的解決思路。

3 結 語

精準的海浪預報對保障沿海人民生產生活安全和航海事業具有重要作用。目前在海浪預報方法中大數據、人工智能等新技術應用并不廣泛，但這些技術能夠優化流程、實時處理海量的多樣化數據，并因對非線性數據的不敏感而被廣泛應用于各種預報研究領域，對于預報因子多、關系復雜的氣象和海洋預報，同樣具有很好的應用前景。