以三亞東鑼島近岸海域為研究案例,基于9個月現(xiàn)場觀測數(shù)據(jù),利用人工神經(jīng)網(wǎng)絡(luò)模型對區(qū)域海浪模式WAVEWATCHⅢ（WW3）的有效波高結(jié)果進(jìn)行了修正.結(jié)果顯示:受空間分辨率的限制,WW3模式難以有效地刻畫島嶼岸線和地形對波浪的影響,導(dǎo)致有效波高的模擬結(jié)果與現(xiàn)場觀測存在較大差距;而使用該文建立的人工神經(jīng)網(wǎng)絡(luò)模型則能有效地修正有效波高的模擬結(jié)果,使其與觀測值的均方根誤差和平均絕對誤差明顯下降.進(jìn)一步分析計算顯示,當(dāng)人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于島嶼近岸波浪要素的模擬修正時,有必要將平均波向作為輸入變量,使不同來向的波浪傳至島嶼近岸所經(jīng)歷過程的差異性得以體現(xiàn).該方法及相關(guān)結(jié)果對島嶼近岸長時間序列波浪要素信息的模擬和預(yù)報具有工程應(yīng)用價值. 

【文章來源】：廈門大學(xué)學(xué)報(自然科學(xué)版). 2020,59(03)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

東鑼島（a）和“浪龍”潛標(biāo)波浪流速剖面儀觀測站（b）的位置

本研究選用ANN中的反向傳播神經(jīng)網(wǎng)絡(luò)（圖2）來建立有效波高的修正模型．該網(wǎng)絡(luò)是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，其基本思想是梯度下降法，以期使網(wǎng)絡(luò)的實際輸出值和期望輸出值的誤差和均方差最�。W(wǎng)絡(luò)由3個神經(jīng)元層次組成，即輸入層、隱含層和輸出層．各層次的神經(jīng)元之間彼此獨立，形成全交互連接．訓(xùn)練樣本的信息經(jīng)過傳遞函數(shù)逐步向前傳播．若輸出結(jié)果不能達(dá)到設(shè)定的閾值，則將輸出信號與閾值之間的誤差返回到輸入層，然后再修改輸入層各變量的權(quán)重函數(shù)．通過對樣本的反復(fù)訓(xùn)練學(xué)習(xí)，并達(dá)到設(shè)定的誤差后，權(quán)重系數(shù)矩陣和閾值矩陣得以最終確定．ANN模型已在海洋水文參數(shù)模擬中得到廣泛的應(yīng)用[6-12,22-23].為修正WW3模式有效波高的模擬結(jié)果，考慮到由不同方向傳至島嶼近岸的波浪所經(jīng)歷的變形過程存在差異性[13-14]，以及淺水效應(yīng)下潮差變化會對波高造成影響[5]，而波浪形變一般還會體現(xiàn)在周期（或波長）等因素上，將模式輸出的有效波高、平均波向、平均周期和水位等變量，經(jīng)歸一化處理后分別作為輸入層進(jìn)入ANN模型的神經(jīng)單元．為分析這些變量對模式修正效果的相對重要性，采用控制變量法，建立6個具有不同輸入層的ANN模型，分別標(biāo)記為ANNⅠ～Ⅵ（表1），通過比較基于不同輸入變量組合模型的輸出結(jié)果，得到對模式修正效果影響最大的變量．各ANN模型的輸出層均僅包括1個神經(jīng)單元，即修正后的有效波高．對隱含層分別采用5～14個神經(jīng)單元進(jìn)行試算，發(fā)現(xiàn)取10個神經(jīng)單元時對WW3模式在該觀測站的改善效果最好，因此將神經(jīng)單元個數(shù)設(shè)置為10.ANN模型采用Levenberg-Marquardt反向傳播算法進(jìn)行樣本快速訓(xùn)練，訓(xùn)練次數(shù)為5 000．隱含層使用雙曲正切Sigmoid型傳遞函數(shù)，輸出層使用線性傳遞函數(shù)．選取2018年7月13日至12月31日為ANN模型的訓(xùn)練階段，2019年1月1日至3月31日為模型的驗證階段．

在ANN模型訓(xùn)練階段，觀測數(shù)據(jù)和同期的WW3模式結(jié)果相匹配，按表1所列的6個輸入變量組合進(jìn)行訓(xùn)練，從而建立了相應(yīng)的ANN模型．結(jié)果表明：經(jīng)過訓(xùn)練后的ANN模型均能有效修正WW3模式的模擬結(jié)果，使有效波高的時間序列更接近觀測值（圖4(a））；與WW3模式結(jié)果相比，ANN模擬結(jié)果的RMSE和MAE的降幅為59.8%～73.2%（表1）．通過比較有效波高的散點值可進(jìn)一步發(fā)現(xiàn)，ANN模型主要的改善效果之一在于避免了模式結(jié)果出現(xiàn)的過大值（圖4(b)～(h））．島嶼地形遮蔽和近岸水深變淺對波浪起到耗散作用，限制了過大波高的出現(xiàn)．然而，由于大區(qū)域模式難以有效地刻畫這種地形特點，在島嶼近岸的有效地波高模擬容易偏大，采用ANN模型則能有效地修正此誤差．通過繪制WW3模式和不同ANN模型訓(xùn)練結(jié)果的泰勒圖[28]，可對它們的表現(xiàn)進(jìn)行整體評價．如圖5(a）所示，與WW3模式結(jié)果（A點）相比，采用不同ANN模型修正后的結(jié)果（B、C、D、E、F、G點）均更加接近“浪龍”觀測參照點，使中心化均方根差（即距平變量的均方根差，centered root mean square difference,RMSD）、歸一化標(biāo)準(zhǔn)差和COR都顯著改善．其中，將平均波向納入輸入變量的ANN模型結(jié)果（C、D和G點）更接近觀測參照點，對WW3模式結(jié)果的改善比不納入平均波向的結(jié)果（B、E和F點）更為明顯．

【參考文獻(xiàn)】：
期刊論文
[1]基于外海環(huán)境預(yù)報的近岸島礁橋址區(qū)波高ANN推算模型[J]. 魏凱,林靜,李明陽.  土木與環(huán)境工程學(xué)報(中英文). 2019(06)
[2]Evaluation of Typhoon Waves Simulated by Wave Watch-Ⅲ Model in Shallow Waters Around Zhoushan Islands[J]. SHENG Yexin,SHAO Weizeng,LI Shuiqing,ZHANG Yuming,YANG Hongwei,ZUO Juncheng.  Journal of Ocean University of China. 2019(02)
[3]神經(jīng)網(wǎng)絡(luò)方法在上海沿海海浪預(yù)報中的應(yīng)用[J]. 朱智慧,曹慶,徐杰.  海洋預(yù)報. 2018(05)
[4]島礁海域的近岸水動力特性研究進(jìn)展[J]. 孫家文,房克照,何棟彬,張振偉.  水道港口. 2018(04)
[5]規(guī)則波在島礁淺海區(qū)傳播的數(shù)值模擬[J]. 魏澤,王星,劉小龍.  船海工程. 2017(04)
[6]潮汐流影響下珊瑚島礁附近波浪傳播變形和增水試驗[J]. 姚宇,唐政江,杜睿超,蔣昌波.  水科學(xué)進(jìn)展. 2017(04)
[7]深圳大鵬灣波高實時預(yù)報[J]. 方瑩,毛獻(xiàn)忠.  海洋預(yù)報. 2016(03)
[8]海南島東南近岸海浪觀測及統(tǒng)計特征[J]. 李淑江,李澤文,范斌,高秀敏,徐曉慶,滕涌,葉欽.  海洋科學(xué)進(jìn)展. 2016(01)
[9]島嶼島礁海域海浪能譜模型研究進(jìn)展[J]. 毛科峰,陳希,王亮.  海洋學(xué)報(中文版). 2014(05)
[10]基于廣義極值分布的設(shè)計波高推算[J]. 陳子燊,劉曾美,路劍飛,于吉濤.  熱帶海洋學(xué)報. 2011(03)



本文編號：3578421