深圳大鹏湾波高实时预报

方莹，毛献忠

（清华大学深圳研究生院海洋学部，广东深圳518055）

深圳大鹏湾波高实时预报

方莹，毛献忠

（清华大学深圳研究生院海洋学部，广东深圳518055）

摘要：采用非线性自回归神经网络与带外部输入的非线性自回归神经网络建立了深圳大鹏湾浮标站有效波高实时预报模型，分别预报了湾口与大梅沙两处浮标站点的3 h、6 h与12 h有效波高。预报结果显示：湾口浮标处3 h、6 h预报结果与实测值符合较好，相对误差在10%以内，相关系数在0.8以上；大梅沙浮标处波高3 h预报绝对误差在0.10 m以内，相关系数在0.6以上。

关键词：大鹏湾；波高；NAR神经网络；NARX神经网络；实时预报

1　　引言

近岸波浪的长期预报可为沿海与近岸工程的规划和设计、海岸生态环境保护提供科学依据，但对于海滩泳场、海上运动、航运作业以及现场工程作业等，则需要波浪的小窗口实时预报来保障沿海活动和施工人员的人身财产安全。当前波浪预报的方法主要有两类，一类是基于波浪生成与耗散物理过程的数值模型，如SWAN［1-3］、WAM［4-5］、Wave WatchⅢ［6-9］等，该类模型主要用于区域预报；另一类是利用以往的气象、波浪资料或浮标在线的实时或准实时数据经验模型，如人工神经网络（ANN）［10-11］、时间序列模型（ARMA）［12］、遗传算法（GA）［13］等，用于预报点预报。区域数值预报模型需要的外源驱动数据多，计算成本大，同时对局部重要水域的精细预报精度偏低。随着近年来在线浮标监测网络的建设，实时数据驱动模型预报成为研究热点。

由于ANN具有较好的非线性性能，因此在单点波浪预报中得到了广泛的应用。Deo等［14］将ANN应用于印度东海岸亚南市附近海域波浪的实时预报。Deo等［15］进一步研究了ANN的适应性，预报了印度西海岸不同水深浮标有效波高和跨零周期。Agrawal等［16］采用3种算法训练正向反馈的ANN对印度西海岸东部站点进行了有效波高的在线预报。Makarynskyy［17］采用校正系数提高ANN对大西洋与爱尔兰西海岸附近站点24 h有效波高与跨零周期的预报。Londhe等［18］基于ANN预报了不同地区站点的有效波高。Mandal等［19］采用弹性BP算法预测了印度西海岸Marmugao港口附近海域12 h内的有效波高。Jain等［20］采用ANN、GT、MT等方法预报了印度西海岸Bengal湾不同水深区间的有效波高。Kamranzad等［21］比较了不同输入组合对ANN预测波斯湾有效波高预报的影响。Vimala等［22］研究了ANN不同的输入参数对Bengal湾深海单点的有效波高实时预报的影响。

深圳市海洋局在深圳市海域建立了海洋实时监测系统，其中大鹏湾内布设波浪浮标实时监测波浪的变化。本文采用了非线性自回归神经网络（NAR）与带外部输入的自回归神经网络（NARX），基于波浪浮标的实时观测数据，建立了大鹏湾浮标站的波浪预报模型，为公众近岸活动与海上作业提供服务，保障公众人身财产安全。

2　　研究区域及数据分析

大鹏湾位于南海北部，东接大鹏半岛，西接香

深圳市为社会服务、经济发展以及海洋灾害预警的需要建立了深圳海洋环境全方位监测网络，其中在大鹏湾内布设了3个浮标站点：大梅沙（DMS）、下沙（XS）与湾口站点（WK）（见图1）。大梅沙站点位于大鹏湾北部大梅沙浴场，实时监测浴场的波浪状况；湾口站点则位于大鹏湾近岸与外海连接处，记录进入大鹏湾的涌浪状况，可在一定程度上反映外海进入湾内的波浪状况。湾口浮标站波浪观测精度为0.05 m，大梅沙浮标站为0.1 m。本文采用的数据：大梅沙浮标点由2014年4月3日8时—2014 年7月1日21时（北京时，下同），有效波高与风速各2144个数据；湾口浮标站点采用2014年10月1日0时—2014年11月16日14时，有效波高与风速各1 144个数据；两处波浪数据采样间隔均为1 h。

观测期内波浪和风要素的统计特征见表1。湾口波浪平均有效波高为1.154 m，平均周期13.71 s；大梅沙波浪平均有效波高为0.279 m，平均周期5.00 s；两地的波向和风向基本一致。由湾口站点的波向与周期知，大鹏湾内受外海的涌浪影响。湾口处涌浪成分较多，而大梅沙处风浪成分较多。从统计数据看，两站点有效波高的变异系数较小，说明离散程度小；而当地风速的变异系数相对较大，数据离散程度大；由此可知有效波高变化幅度较风速小。

图1大鹏湾区域示意图

3　　模型预报方法

3.1NAR神经网络

人工神经网络可根据有无反馈主分为两类：静态神经网络与动态神经网络［25］。静态神经网络无反馈与延迟，输出只依赖于此刻的输入；动态神经网络具有反馈与记忆功能，其输出与此刻输入、以往的输入和输出相关［26］。NAR为一种非线性自回归神经网络，包括输入层、带延迟的隐藏层与输出层，其结构见图2。

表1浮标波浪与风要素统计

图2 NAR神经元结构示意图

图2中y（t）为物理量的时间序列，n为NAR输入阶数，W1为序列y（t）中元素与隐藏层中神经元的连接权重，W2为隐藏层与输出层间的连接权重，为隐藏层中的偏置值，b2为输出层神经元的偏置值，f1为隐藏层中神经元间的非线性传输函数，f2为输出层中的线性传输函数。NAR模型的结构为：

f为NAR神经网络的非线性函数。

3.2 NARX神经网络

NARX为一种有外部输入的非线性自回归神经网络，结构与NAR相似，模型结构为：

式中：x（t-n）为与y（t）相关的参量。

3.3神经网络的设置

在NAR神经网络预报中，湾口处采用有效波高序列中前1 000个数据作为训练数据，后144个作为验证数据；大梅沙处则采用前2 000个数据用于训练，后144个波高数据用于预报验证数据。在NARX神经网络预报中，湾口处采用有效波高与风速序列中的前1 000个数据用于训练，后144个用于预报验证；大梅沙处采用有效波高与风速前2 000组数据用于训练；后144个波高数据用于预报验证。NAR与NARX神经网络中隐藏层数的设定遵循［27］：

式中：nh为隐藏层神经元个数；本文nh设置为6。训练函数选择trainlm函数。基于NAR与NARX分别建立A、B模型：A模型是基于NAR建立的波高预报模型，波高预报仅依赖往波高；B模型是基于NARX建立的，在预报过程中加入了站点当地风速的影响。模型的输入参数与阶数的设置如下：

模型A：

模型B：

式中：H为有效波高，u为风速，模型输入阶数n分别设定为3、6、12与24。预报结果采用以下平均绝对误差MAE、平均相对误差MRE和相关系数R进行评价：

式中：yi为观测值，xi为预报值，k为观测值个数。其中MAE与MRE表示的是预测的绝对误差与相对误差；相关系数R则可以反映出预报结果与观测数据的相关性，R越高则表明预报准确性更高，反之，准确性越低。

4　　结果与讨论

4.1模型选取

湾口与大梅沙站点在选择不同模型与输入阶数时的预报误差与相关系数如表2、3以及图3、4所示。在湾口站点（见表2），A模型表现明显优于B；在3 h预报中，当输入阶数n为3时，A模型的预报相关系数R达到了最高值0.912，而同一输入阶数的B模型为0.862；在6 h和12 h的预报中也有相同的情况；由此可知湾口处更适合采用A模型，且最优输入阶数为3。在大梅沙站点，在3 h预报中，对于同一输入阶数，B模型预报相关系数高于A模型；在6 h与12 h预报中，输入阶数为3时，B模型表现优于A模型；因此在大梅沙处适宜采用B模型，且最优输入阶数为3。

由图3、4知，两种模型的预报精度都随预报时长增加而下降，预报与观测数据的相关系数也随之降低。在图3中看到，湾口处3 h与12 h预报中，采用同一的输入阶数时，A模型预报相关系数R皆高于B模型；在6 h预报中，仅在输入阶数为24时，A模型预报相关系数R低于B模型；而在A模型的预报中输入阶数为3时预报结果相对较好。在图4中看到，大梅沙处3 h预报中B模型优于A模型；在6 h 与12 h预报中，采用不同的输入阶数n，A、B模型表现有所不同，当n为3时，B模型预报结果较好，n为6、12与24时，A模型表现较好；相比之下，大梅沙处更适合采用B模型，且在输入阶数为3时可得到相对较好的预报结果。

综上所述，湾口处最优模型为A模型，最优输入阶数为3，即当前时刻的波高受以往3 h内的波高影响最大；而大梅沙则更适合B模型，最优输入阶数也为3，即当前时刻的有效波高受以往3 h内的有效波高与风速的共同影响。

表2湾口预报误差与相关系数

表3　　大梅沙站点预报误差与相关系数

图3湾口站有效波高预报误差与相关系数

4.2预报结果分析

根据3.1的分析，湾口浮标站采用A模型，最优输入阶数为3；大梅沙浮标站采用B模型，最优输入阶数为3。图5、6分别为湾口、大梅沙3 h、6 h、12 h有效波高预报结果与观测数据的比较。

湾口浮标站3 h、6 h和12 h波高预报中，MAE分别为0.091 m、0.110 m与0.128 m，MRE为7.63%、9.24%与10.9%；预报相关系数R为0.912、0.846与0.809，信度检验结果显示相应的p值均小于0.05，说明预报值与观测值显著相关；预报结果较为可信。3 h预报值与观测值的变化趋势基本一致；6 h与12 h预报中峰值处存在一定的滞后现象。

大梅沙浮标站点预报结果与湾口处相似，3 h预报结果较好，6 h与12 h预报中波高峰值的预报存在一定的滞后。3 h、6 h和12h波高预报MAE分别为0.052 m、0.071 m、0.099 m，MRE为20.4%、27.5%、42.0%。预报相关系数R为0.763、0.613、0.370，信度检验结果显示相应的p值均小于0.05；说明预报结果与观测数据有显著的相关性。该点波高较小（平均波高小于0.3 m），预报相对误差较大，绝对误差MAE在观测精度（0.1 m）以内，预报结果在允许的范围内。

预报时长增加，准确性下降主要是由于时间序列中相隔越远的数据点之间的相关性越弱，预报时长愈长，预报的准确性必然降低［21］；同时，预报误差逐步积累，最终影响预报准确性。预报中峰值存在的滞后现象可能是采用的资料序列包含的极端情况的信息不充分，未能充分地反应出波浪的生长过程［16］。

B模型预报时依赖于以往的波高与风速；A模型预报时仅依赖于以往的波高。在风浪成分较高的站点，则适合采用B模型，这是由于风是风浪生长最重要的驱动力，风浪与当地的风场密切相关，通过风输入可得到波浪生长的更多信息，波浪预报更准确。在涌浪成分较高的站点，当地的波浪受涌浪的影响较大，风场影响较小，风与波浪相关性较弱，采用B模型效果较差，因此更适合采用A模型。

图4大梅沙站有效波高预报误差与相关系数

图5湾口浮标站预报结果

图6大梅沙浮标站预报结果

湾口站点位于大鹏湾与外海相连处，受到外海涌浪的影响，该站点的有效波高中涌浪成分为主，波高较大，相对容易预报。而大梅沙站点则风浪成分为主，因此带风资料输入的B模型更加适合大梅沙站点；大梅沙站点的浮标波浪观测精度较低，且以风浪为主，采用带风输入的B模型可额外得到了以往波高的相关信息，有助于该站点预报准确性的提高。

5　　结论

（1）采用两种非线性自回归神经网络NAR与NARX建立深圳大鹏湾在线浮标实时数据驱动波浪预报模型；该模型预报精度高，计算成本低，可随时根据浮标在线监测数据更新预报；

（2）大鹏湾湾口浮标站预报适合采用NAR神经网络，最优输入阶数为3，即当前时刻波高主要依赖当地以往3 h内的有效波高；3 h、6 h预报MAE在0.1 m以内，MRE在10%以内，预报相关系数R为0.922、0.846；在12 h预报中，存在一定的滞后现象；

（3）大鹏湾大梅沙浮标站预报适合采用NARX神经网络，最优输入阶数为3，即当前波高依赖于以往3 h内波高与风速；3 h、6 h与12 h预报的绝对误差均为观测精度以内，3 h与6 h预报相关系数在0.6以上。

参考文献：

［1］Ou S H，Liau J M，Hsu T W，et al.Simulating Typhoon Waves by SWAN Wave Model in Coastal Waters of Taiwan［J］.Ocean Engineering，2002，29（8）：947-971.

［2］李燕，薄兆海.SWAN模式对黄渤海海域浪高的模拟能力试验［J］.海洋预报，2005，22（3）：75-82.

［3］Rogers W E，Kaihatu J M，Hsu L，et al.Forecasting and Hindcasting Waves with the SWAN Model in the Southern California Bight［J］.Coastal Engineering，2007，54（1）：1-15.

［4］Lin J G，Chiu Y F，Weng W K.Wave Forecast System of Hualien Harbour［C］//Proceedings of 2008 Taiwan-Polish Joint Seminar on Coastal Protection.Taiwan：PJSCP，2008：D-37-D-46.

［5］Brenner S，Gertman I，Murashkovsky A.Preoperational Ocean Forecasting in the Southeastern Mediterranean Sea：Implementation and Evaluation of the Models and Selection of the Atmospheric Forcing［J］.Journal of Marine Systems，2007，65 （1-4）：268-287.

［6］闻斌，于福江，程明，等.全球海浪数值预报业务化试验［J］.海洋预报，2007，24（3）：6-15.

［7］李本霞，吴淑萍，邢闯，等.近海近岸高精度海浪业务化数值预报系统［J］.海洋预报，2010，27（5）：1-6.

［8］冯芒，张文静，李岩，等.台湾海峡及近岸区域精细化海浪数值预报系统［J］.海洋预报，2013，30（2）：42-48.

［9］Zamani A，Solomatine D，Azimian A，et al.Learning from Data for Wind-Wave Forecasting［J］.Ocean Engineering，2008，35（10）：953-962.

［10］Günaydın K.The Estimation of Monthly Mean Significant Wave Heights by Using Artificial Neural Network and Regression Methods［J］.Ocean Engineering，2008，35（14-15）：1406-1415.

［11］Özger M.Significant Wave Height Forecasting Using Wavelet Fuzzy Logic Approach［J］.Ocean Engineering，2010，37（16）：1443-1451.

［12］Cañellas B，Balle S，Tintoré J，et al.Wave Height Prediction in the Western Mediterranean Using Genetic Algorithms［J］.Ocean Engineering，2010，37（8-9）：742-748.

［13］Nitsure S P，Londhe S N，Khare K C.Wave Forecasts Using Wind Information and Genetic Programming［J］.Ocean Engineering，2012，54：61-69.

［14］Deo M C，Sridhar Naidu C.Real Time Wave Forecasting Using Neural Networks［J］.Ocean Engineering，1998，26（3）：191-203.

［15］Deo M C，Jha A，Chaphekar A S，et al.Neural Networks for Wave Forecasting［J］.Ocean Engineering，2001，28（7）：889-898.

［16］Agrawal J D，Deo M C.On-Line Wave Prediction［J］.Marine Structures，2002，15（1）：57-74.

［17］Makarynskyy O.Improving Wave Predictions with Artificial Neural Networks［J］.Ocean Engineering，2004，31（5-6）：709-724.

［18］Londhe S N，Panchang V.One-Day Wave Forecasts Based on ArtificialNeuralNetworks［J］.Journalof Atmosphericand Oceanic Technology，2006，23（11）：1593-1603.

［19］Mandal S，Prabaharan N.Ocean Wave Forecasting Using Recurrent Neural Networks［J］.Ocean Engineering，2006，33（10）：1401-1410.

［20］Jain P，Deo M C，Latha G，et al.Real Time Wave Forecasting Using Wind Time History and Numerical Model［J］.Ocean Modelling，2011，36（1-2）：26-39.

［21］Kamranzad B，Etemad-Shahidi A，Kazeminezhad M H.Wave HeightForecastinginDayyer，thePersianGulf［J］.Ocean Engineering，2011，38（1）：248-255.

［22］Vimala J，Latha G，Venkatesan R.Real Time Wave Forecasting Using Artificial Neural Network with Varying Input Parameter［J］. Indian Journal of Geo-Marine Sciences，2014，43（1）：82-87.

［23］夏华永，李绪录，韩康.大鹏湾环境容量研究Ⅰ：自净能力模拟分析［J］.中国环境科学，2012，31（12）：2031-2038.

［24］许林之.南海波浪场的分析与预报［J］.海洋预报，1987，4（3）：48-52.

［25］李明，杨汉生，杨成梧，等.一种改进的NARX回归神经网络［J］.电气自动化，2006，28（4）：6-8，11.

［26］Gopinath D I，Dwarakish G S.Wave Prediction Using Neural Networks at New Mangalore Port along West Coast of India［J］. Aquatic Procedia，2015，4：143-150.

［27］Hecht-Nielsen R.Kolmogorov's Mapping Neural Network Existence Theorem［C］//Proceedings of the IEEE 1st International Conference on Neural Networks.New York：IEEE，1987，3：11-14.

中图分类号：P731.22

文献标识码：A

文章编号：1003-0239（2016）03-0034-07

DOI：10.11737/j.issn.1003-0239.2016.03.005

收稿日期：2015-09-25

基金项目：国家自然科学基金项目（41176001）；深圳市科技项目（GJHS20120702112942334）。

作者简介：方莹（1988-），女，硕士研究生，从事海洋环境预报方法研究。E-mail：maoxz@sz.tsinghua.edu.cn港，北接深圳，隶属于香港特区与深圳市（见图1）。大鹏湾为半封闭海湾，包含海域面积320 km2，平均水深为18 m［23］，其中西南部水深最大；湾口宽度约为15 km。湾内西部岛屿众多，海岸线蜿蜒曲折，东部岸线平缓。大鹏湾南部与南海相连，湾内受南海涌浪的影响；而南海海域广阔，海况复杂，波浪场受不同的天气形势（如冷空气，台风与西南季风等）影响［24］。湾内沿岸建有盐田港、航道、大小梅沙海滨浴场与浅海养殖区，人工作业繁忙。

Real time wave height forecasting in Mirs Bay of Shenzhen

FANG Ying，MAO Xian-zhong
（Division of Ocean Science and Technology，Graduate School at Shenzhen，Tsinghua University，Shenzhen 518055 China）

Abstract：Nonlinear autoregressive network（NAR）and nonlinear autoregressive network with exogenous inputs （NARX）are applied to forecast the real-time wave height at buoys in Mirs Bay of Shenzhen.The wave heights for the next 3，6 and 12h at two buoy stations are forecasted.The result shows that the forecasting of wave height at Wankou station agrees well with observations，with the relative error of less than 15%and the correlation coefficient of greater than 0.8；the errors of 3，6h forecasting at Dameisha Station are less than 0.10m，and the correlation coefficients are more than 0.6.

Key words：Mirs Bay；wave height；nonlinear autoregresive network；nonlinear auto regressive network with exogenous inputs；real-time forecast