0 引言
海浪预报是对未来某时段内某个海域可能出现的海浪状况所作的预测[12-13]。1805年,英国皇家海军蒲福将军制成第一张海面风力海况表,其中包含了不同风速下波高的基本情况,这标志着海浪预报的开始[14]。之后很长一段时间,海浪预报发展相对缓慢[15]。1942年SVERDRUP等[16]提出了著名的有效波预报方法,海浪预报自此开始进入实用阶段[15]。1960年文圣常院士提出的风浪谱预报方法[17],为海浪预报奠定了极为重要的理论基础。随着计算机技术和海浪理论的进一步发展,海浪数值预报方法开始构建,并不断地发展、完善,逐渐应用到海洋业务预报中。当前随着人工智能技术的快速发展,海浪预报进入了智能预报阶段。
本文将阐述海浪预报方法的发展、国内外海浪智能预报的研究应用现状以及未来的发展趋势。
1 海浪预报方法类型与发展历程
海浪预报方法的基本发展历程如图1所示,从发展时间上可以粗略分为统计预报、数值预报以及正在快速发展的智能预报三个阶段。其中,传统的统计预报以及智能预报可以认为是由观测等数据驱动的,数值预报则是通过波浪能量方程以及参数化等数值计算来表征海浪的演化过程,也就是物理驱动方式。
1.1 统计预报
海浪统计预报是基于海浪历史数据的拟合等统计获得海浪的演变规律进行预报的方法。传统的海浪统计预报方法包括有效波预报、PNJ波谱预报、能量平衡导出谱预报和经验统计预报等。有效波预报方法最早由SVERDRUP等[16]提出,该方法将波浪复杂的频谱结构简化成单一统计参数来表示,能够预测风浪和涌浪,适用于一些对海浪频谱信息要求不高的应用场景[15]。PNJ波谱预报是由PIERSON等[18]共同提出的,它的特点是通过海浪谱得到海浪状态参数。能量平衡导出谱是20世纪60年代由文常圣院士提出的[17,19],该方法将有效波方法和波谱预报方法相结合,先由能量平衡导出海浪谱,进而由海浪谱计算得到海浪参数[15]。在此基础上,汪炳祥导出了同时受制于风区和风时成长的海浪谱[20-21],弥补了前人将同时随风区和风时成长的风浪处理为只能针对风区或只能针对风时计算这一缺点。常用的经验统计预报方法还有Wilson经验预报法[22],它用波速、风区长度和风速的经验公式计算海浪波高;Bretschneider经验预报法[23],根据风区长度和风速计算有效波高和周期;以及其他经验预报法,如宇野木方法[24]、井岛方法[25]等。
1.2 数值预报
随着数值方法、高性能计算技术的发展,海浪数值预报开始蓬勃发展并逐渐取代统计预报,海浪数值预报结果也是目前国际主流大气海洋预报机构进行业务化海浪预报最为重要的依据。海浪数值模式的发展一般认为可以分为三代[26]。
第二代海浪数值模式可以分为两种:一种是将风浪和涌浪分离,即风浪的计算考虑非线性耦合项,涌浪的计算则考虑线性耦合项;另一种是风浪和涌浪计算都考虑非线性耦合的作用。与第一代海浪数值模式相比,第二代模式参数化了更多物理过程,引入了波浪演变非线性过程的简单近似,但无法准确模拟飓风、小尺度气旋和锋面等快变天气过程下复杂风场产生的风浪和涌浪过渡的过程,且对于极端天气情况的计算也存在明显误差[28]。
20世纪末,欧洲科学家在第二代模式的基础上研究出第三代海浪数值模式WAM(wave modeling)[28]。相较于第二代海浪数值模式,第三代模式对海浪物理过程增加了更加细致的表述,引入了能量平衡方程中的多个源项,从而更好地适用于全球的深水区和浅水区[30]。目前在国际主流大气海洋预报机构应用广泛的业务化海浪数值预报模式都是基于第三代海浪数值预报模式建立的,如SWAN(simulating waves nearshore)[29]、WW3(WAVEWATCHⅢ)[31]。SWAN是基于欧拉形式的离散谱动量平衡方程,能够适用于近岸浅水地区,使用隐式格式,减少了浅水地区的计算量。WW3是基于完全非定常频谱作用密度方程,为源项使用新的物理参数化和更精确的数值积分方案,描述的波高变化与真实情况更接近,与WAM相比具有更小的随机误差[31]。尽管可以更加准确、细致地表征波的产生、耗散、非线性相互作用等物理过程,但由于对物理过程理解的局限性,第三代海浪数值模式依然需要引入经验参数,这些参数一般是由观测或实验来确定,这也是其计算的误差来源之一。
1.3 智能预报
机器学习是人工智能最核心的技术方法,其思想是基于数据完成对模型的训练从而学习数据变化的模式和规律,目前广泛用于预测、决策或分类等问题。机器学习是多种算法的大集合,包含了支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、支持向量回归(support vector regression,SVR)以及以深度神经网络(deep neural network, DNN)为代表的深度学习等。
基于机器学习的海浪智能预报模型的本质是非线性回归模型,这些模型通过大量数据的学习找到目标变量(即波浪特性)与相关变量(如风速、风向、水深等)之间的统计关系,它们往往是黑盒模型,不能给出确切的数学关系或物理演变规律[32]。机器学习模型的构建需要大量的训练数据,进而通过循环迭代优化来确定模型的各类参数[33],包括隐藏层数目、模型学习率、迭代次数等超参数,因此模型性能或预测能力在很大程度上取决于模型框架、训练数据集以及训练过程。机器学习模型的能力在不同类型的海浪预报任务或应用情景中往往也会有所差异,这就是机器学习领域中的“泛化问题”,即当训练集数据不能覆盖新的预报目标时,模型的表征能力往往就会大幅下降。机器学习模型在海浪预报中自然也存在相同的问题,例如针对短期预测训练获得的机器学习模型在长期预测方面很可能表现不佳[32]。
深度学习是机器学习的一个重要分支,它利用多层神经网络模型来实现自动学习和特征提取,从而获取数据中所隐含的演变规律。相比其他机器学习方法,深度学习在处理大规模数据和复杂任务时具有更强大的非线性表达能力与泛化能力,往往也需要更多的计算资源和训练数据。典型的深度学习方法包括人工神经网络(artificial neural network,ANN)[34]、循环神经网络(recurrent neural network,RNN)[35]、长短时记忆网络(long short-term memory, LSTM)[36]、卷积神经网络(convolutional neural network,CNN)[37-38]、Transformer网络及其大量变种[39-40]、图神经网络(graph neural networks,GNN)[41-42]等等,以及基于上述网络的混合形式,如海浪智能预报中常用的卷积长短期记忆网络(ConvLSTM)[43-44]等。
2 人工智能在海浪预报中的研究进展
2.1 海浪统计参数智能预报
2.1.1 海浪数值预报智能订正
由于海浪数值模式目前还难以准确、完整地描述有关海浪演变的物理过程[45-46],因此预报结果存在一定误差,所以基于海浪实际观测数据对海浪数值模式的预报结果进行订正是提高海浪预报精度最为直接的方式。在以机器学习为代表的非线性订正方面已经开展了大量研究,在海浪业务预报中也已进行了实际应用。ZHANG等[47]通过ANN优化了第三代数值预报模式的资料同化方法,并将其应用于西北太平洋海浪预测。许立兵等[48]基于三种机器学习方法对WRF模式的10m风场、2m温度、海平面气压等海洋环境要素进行订正,发现与订正前相比,利用随机森林模型可以将预报结果的整体均方根误差降低44%以上,利用深度神经网络模型可以将预报结果的整体均方根误差降低 34%以上。ELLENSON等[49]使用决策树建立模型学习WW3模拟结果与实际观测的误差并用于订正WW3有效波高,使均方根误差、偏差、百分比误差、散布指数都得到降低。GRACIA等[50]将多层感知机(multi-layer perceptron,MLP)和梯度提升决策树(gradient boosting decision tree,GBDT)应用于海浪数值模式订正,使数值模型的预测误差减少了36%,提高了对西班牙海岸不同海况下有效波高、平均周期、谱峰周期以及平均波向预测的准确性。
2.1.2 单点海浪统计参数智能预报
在业务化海浪预报保障中,有相当比例的预报场景是针对海上固定的点位进行海浪预报,也被称之为单点海浪预报。有效波高是描述海浪特征最具重要性的指标,也是海浪预报中最为常用的参数,自然也就被作为海浪智能预报的首要参数[51]。DEO等[52]利用前馈人工神经网络对未来3~24 h有效波高进行预报,可以在不依赖风-浪关系的条件下,通过对实时观测数据外推完成海浪有效波高预报。LONDHE等[53]使用ANN进行有效波高预报,模型对未来6 h的波高预报效果较好。DEKA 等[54]应用ANN与小波变换相结合的WLNN(wavelet neural network)得到了准确的预报结果,但也发现ANN会低估高海况条件下的波高,且波高序列的预报相位会有一定延迟。DIXIT 等[55]发现基于离散小波变换和人工神经网络的混合技术能够改善有效波高预报中的滞后效应。MAHJOOBI等[56]使用回归SVM基于风速计算有效波高,误差低于ANN。ELBISY等[57]基于SVM,以风速和风向作为输入来预报有效波高、波向、跨零周期等海浪参数,发现SVM比级联相关神经网络(cascade-correlation neural network, CCNN)和反向传播神经网络(back propagation neural network,BPNN)模型具有更高的精度和更好的泛化性能。GOLESTANI 等[58]使用SVR方法对有效波高等波浪参数进行预报,结果表明预报值和观测值有很好的相关性,并且发现SVR方法还可用于缺测数据的重构。NITSURE等[59]使用基于基因编码技术(genetic programming,GP)的模型,改善ANN对高海况波高低估的问题。KUMAR等[60]用起报时刻前的波高、大气与海洋的温差、大气压、风速等特征参数对波高进行预报,发现集成极限学习机(extreme learning machine,ELM)[61]结果比单一ELM准确。KALOOP等[62]将小波分析、粒子群优化算法(particle swam optimization, PSO)和ELM相结合,创建了联合小波-粒子群优化算法(wavelet-PSO-ELM,WPSO-ELM),可以在复杂性较低、输入变量较少的情况下达到较高的预报精度。
海浪演变是一种海浪参数的时序变化,因此用于时序计算的循环神经网络(RNN)便适用于构建海浪智能预报模型。MANDAL等[63]使用RNN预报了未来3 m、6 m、12 m有效波高,并且发现RNN的预报结果与观测的相关系数高于使用前馈神经网络的模型。WEI等[64]使用深度循环神经网络(deep recurrent neural networks,DRNNs)构建基于TSWP(two-step wind-wave prediction)的模型,实现了对台风期风浪的预报,其中TSWP第一步用DRNNs预报风速,第二步用预报风速来预报波高,误差低于使用浅层神经网络的预报结果。MIKY等[65]利用平均波周期和有效波高测量的时间延迟进行海浪演变预报,将非线性自回归网络和RNN相结合,开发了新的方法RNNARX,结果表明该模型对有效波高的长期预报性能良好。长短期记忆网络(LSTM)是循环神经网络的一种特殊形式,通过门控机制,能够避免长期数据信息遗忘等问题。FAN等[66]通过LSTM和SWAN结合的SWAN-LSTM模型,对10个不同水深、不同环境站点海浪的有效波高进行单点预报,得到了准确的1 h预报结果,并且发现该模型比ELM和SVM等模型的预报性能更好,预报精度比SWAN模式提高了约65%。JÖRGES等[67]通过加入测深数据,使得LSTM对近岸有效波高重建、短期和长期预测的性能分别提高了16.7%、7.4%~11.7%和8.8%~9.1%。ZHOU等[68]将经验模态分解(empirical mode decomposition,EMD)和LSTM结合,提出了基于EMD-LSTM算法的单点海浪预报模型,并将其应用于加勒比海的浮标数据预报中。2021年ALI等[69]基于ELM构建了0.5 h的谱峰周期预测模型,并在澳大利亚昆士兰州两个高波能区域进行验证,取得了良好的效果。CHEN等[70]结合小波变换和图神经网络的优点,提出了一种小波图神经网络(wavelet graph neural network,WGNN)方法来进行有效波高的预报。
2.1.3 二维海浪统计参数智能预报
海浪在时间和空间上都具有丰富的形态变化,人工智能模型不仅能准确地预测单点的变化,也能很好地预测二维海浪场的空间演变。ZHOU等[71]基于ConvLSTM建立有效波高预报模型,并对中国东部和南部海域波高进行预测,结果证明该算法对二维海浪场的外推预测是可行的,但预报误差随着预报时效的增大而迅速增大。一般海况下,6h、12 h和24 h的平均绝对百分比误差分别为15%、29%和61%。BAI等[72]使用CNN对南海区域海浪有效波高进行预报,通过56组敏感试验得到模型最佳输入组合,12h、24 h、48 h和72 h有效波高预报的平均绝对百分比误差分别为8.55%、12.95%、16.85%和19.48%。
风是驱动海浪生成的动力,海浪演变往往是在海面风强迫下发生的。本文研究团队基于Vision Trans-former(ViT)建立了风强迫作用下西北太平洋海浪大面人工智能预报模型,模型与海浪数值预报模式的输入同为海浪初始场以及海面风预报场,能够表征涌浪这一海浪能量长距离传输的特性。该模型在训练数据集中融合了中国自然资源部业务海浪浮标观测数据,使得模型训练能够拥有精度更高的标签数据,能以秒级的计算完成有效波高、平均周期等海浪要素96 h预报。值得关注的是,该模型在中国海的预报精度略优于欧洲中期天气预报中心(European Center for Medium-Range Weather Forecasts,ECMWF)业务化海浪预报产品。
2.2 海浪方向谱智能预报
海浪是不同频率、不同方向、不同能量的波动的叠加组成,海浪方向谱(directional wave spectra,DWS)描述了海浪在不同方向上的能量强度、分布情况以及不同频率海浪成分在海浪能量中的贡献,在海洋工程、海洋气象预报、海洋资源开发等领域中具有重要的应用价值。显然海浪方向谱相比于有效波高等统计参数能够更加完整地描述海浪波动特征[73]。2015年张新宇等[74]基于雷达测波得到的海浪场数据,应用小波神经网络技术,实现了海浪方向谱6~8 h的预报。2020年MOONEYHAM等[75]开发基于全卷积神经网络的深度学习模型(spectral wave residual learning network, SWRLNet)对WW3模式24 h预报的频率-方向谱进行订正。模型以WW3预报和浮标观测数据作为输入,以浮标观测作为真值,输出修正后的12 h方向谱的预测值。SWRLNet在美国西海岸的三个位置进行测试,模型对所有频率的波都有修正效果,但针对频率大于0.1 Hz的风浪表现最好。对于没有训练的区域,模型也能表现出效果,表明模型具有一定的泛化能力。2023年SONG等[76]基于CNN建立模型,利用风场数据对开放海域中某些定点的DWS进行预测,结果显示模型能够计算全球开放海域的任何点位置上的海浪方向谱,在绝大部分的频率上取得了与数值模式非常接近的结果,只在相对低频、低能量的海浪系统中存在一定误差。由于海浪方向谱需要在每一个模式计算格点上同时包含频率与方向两个维度的数据,因此无论对于数值模式还是人工智能模型,海浪方向谱的时空预测所需的数据量都极大,这也就导致了目前基于机器学习方法进行波谱预报的研究总体较少,也将成为未来人工智能海浪预报的重要发展方向。
3 海浪智能预报模型与数值预报模式特性对比
目前国际主流海洋预报机构的海浪业务化预报基本均是基于第三代海浪数值模式预报结果所构建的。海浪智能预报近年来也开始由研究阶段逐步转向业务化试应用阶段。关于人工智能预报模型是否能够替代传统数值预报这一问题开始成为讨论的热点问题。基于目前人工智能海浪预报模型或产品在业务化试运行中的表现来看,智能预报模型与数值预报模式具有非常鲜明的差异性,意味着前者还不能够取代后者,两者更多的是相互融合、相互支撑的关系。下面将从资源需求以及预报特性等方面阐述两者的差异。
首先,在运算时间以及对于计算资源的需求方面。目前主流的数值预报模式一般是基于CPU集群计算,计算量大,其在高性能计算硬件上完成一次预报的计算时间一般为小时级;而智能预报模型一旦完成模型训练,正向预测计算时间往往能够达到秒级。当然,类似于盘古的气象大模型在训练时确实需要海量的训练数据以及GPU(graphics processing unit)资源,但是当大模型完成训练后开始业务化运行进行推理预测,计算资源和计算速度将得到若干个数量级的优化。
在模型预报精度的调优方面,数值模式一般通过参数化方案选择、模式设置参数调整等手段来提高预报精度,在实际的业务化预报中,一般很难找到一种最优的参数化方案或者模式参数设置适用于任一海域或任一气象过程,因此精度的调优是较为困难的。而这个问题对于人工智能预报模型来说是容易解决的,其通过迭代训练使每个格点或时次的预报都自适应地逼近于真值,不需要进行人为的干预。
当然,海浪智能预报模型也远非完美,现阶段智能预报模型相较于数值预报模式在很多方面也存在着明显的缺陷。在预报模型的需求配置上,数值模式能够方便地改变时间分辨率、空间分辨率、预报空间范围等配置指标,一般来说仅需要重新构建预报网格便可以改变数值模式的预报区域场景。而对于智能预报模型而言,如果需要变换到其他海域或改变空间分辨率,需要对模型进行整个重新训练,即需要构建新的训练数据集,并再次对新模型的参数进行迭代训练。在预报要素的完整性上,海浪数值模式的本质是基于海浪方向谱进行积分推演计算,进而基于海浪方向谱计算获得有效波高、周期、波向等统计要素以及涌浪分量等更加复杂的要素。目前海浪智能预报模型由于训练数据量的限制,大多数都是只针对有效波高的预报,虽然已有学者开展了基于人工智能海浪方向谱的预报研究,但均是基于单点开展的,因为海浪方向谱计算的维度极高(频率×方向×经向维度×纬向维度),需要极大的训练数据量。在极值的表现上,数值预报模型对于极值的预测可以认为是中性的,即对于极端情况的预报结果可能偏低,也可能偏高,而智能预报模型对于极值预报一般都是偏小的,这是由于极端情况在训练数据集中的占比非常低,是训练样本不均衡所导致的极端预报缺陷。
另一方面,人工智能预报模型,无论是盘古、风乌、伏羲等气象大模型,还是海浪智能预报模型,其构建必须基于足够多的训练数据集,而这些数据集往往都来自于数值预报模式,尤其是基于数值模式构建的数值再分析数据集(如ERA5)。同时,目前数值模式的构建中也开始引入人工智能模型,形成数值模式与人工智能模型相结合的混合模型。如利用人工智能模型强大的非线性表达能力以及极快的正向计算速度,能够将复杂的参数化过程用人工智能模型进行表达,嵌入到传统数值模式中,从而在提高数值模式对于复杂物理过程的表达性能的同时控制计算复杂度或计算时间。
4 海浪智能预报方法的挑战与展望
人工智能预报模型目前尚在应用的初期,模型本身还有很多缺陷有待解决,并且由于其“黑盒”的特性,目前对其稳定性、泛化性等还缺乏深入的了解,仍有非常大的发展空间,也仍存在诸多挑战。
1)如何构建和使用高质量的数据集。不仅是海浪智能预报模型,大气或海洋人工智能预报模型也多是基于数据驱动完成训练,模型的参数迭代率定需要大量的高质量数据。人工智能预报模型的预报精度能够超越数值模式的本质在于训练数据集中融合了观测数据,而目前包括海浪在内的海洋观测数据在空间覆盖率、时间连续性以及观测要素种类与准确性方面均存在明显的局限。
2)如何引入与利用先验物理知识。目前推出的气象大模型或者海浪智能预报模型,都是基于训练数据完成人工智能模型参数从随机到最优的率定过程,从海量的数据中学习大气和海洋演变规律。然而目前对于大气和海洋中的物理过程已经有了坚实的研究基础,并已基于守恒律等约束建立了有效的动力学框架,因此人工智能预报模型不应该从随机初始状态开始迭代优化,而应该在充分引入与利用数值模式中大量、有效的物理先验知识,在守恒律或其他约束条件的基础上进行迭代优化。这将能够有效地降低训练成本,提高训练收敛速度,大幅降低训练数据需求,并且使模型受到先验知识的约束。
3)如何保障人工智能预报模型的安全性。人工智能预报模型本身具备鲜明的非线性,其“黑盒”特性导致某些特定情形下预报数据出现完全“失真”的情况。人工智能预报模型的安全性局限主要来自于其缺乏可解释性,模型的预测结果主要基于数据之间的统计关系,无法提供具体物理机制和因果关系的解释。引入先验物理知识的约束可能改善这个问题,但是目前在实际海浪智能预报模型中还鲜见应用。
4)如何保证人工智能预报模型的泛化能力。泛化能力是人工智能模型在实际业务海浪预报应用中所面临的最为直接的挑战。泛化能力既包括智能预报模型对不同时空分辨率、边界条件等的适应能力,同时也包括应对极端气象过程,无偏刻画高海况海浪演变过程以及能够方便地迁移到其他海域进行计算。上述均是业务化海浪预报的实际需求,这对于人工智能预报模型来说是目前还未能解决的难点。
目前,海浪智能预报的研究内容日趋丰富,但仍处于发展初期,需要开展大量的研究,包括且不限于如下方向。
1)使用人工智能模型替代海浪数值模式中耗时或精度欠缺的物理过程。波波非线性相互作用项是海浪数值模式中计算耗时较大的部分,虽然已经为了节约计算进行了近似。人工智能模型能够替代复杂度高的计算过程,在保证计算精度的条件下大幅减少计算耗时,同时能够不脱离海浪能量方程框架,一定程度上具备了可解释性,深度神经网络、多通道卷积神经网络等深度学习模型或决策树等机器学习模型均可以完成。
2)增加海浪预报要素。目前海浪智能预报往往是针对有效波高展开,而针对周期、波向、最大波高等对海上活动安全同样非常重要的参数却少有研究。另外,还需进一步提升智能模型的非线性表达能力,充分挖掘或学习不同海浪参数之间的耦合协变关系,例如基于Transformer架构来构建与表征不同时空下、不同要素之间的关联,提高多参数预报精度。
3)海浪方向谱智能预报。海浪是一种复杂的波动,描述海浪方向谱需要同时考虑方向与频率两个维度,因此预报数据量极大,难以直接使用数据驱动的方式进行。因此为了真正能够准确描述海浪的本质属性,针对海浪方向谱的智能预报也是需要开展深入研究的重要内容。由于海浪数据这一高维特征,使得海浪预报模型也将进入到“大模型”阶段,需要通过目前传统“大模型”预训练+微调方式进行构建,但海浪大模型对于方向谱的表征精度目前仍然缺乏探索。
4)人工智能海浪预报模型与地球数值系统耦合研究。海浪处于大气与海洋的交界处,其对于大气与海洋的物质能量交换均具有非常重要的影响,因此海浪是地球系统数值模拟中不可或缺的部分。理论上基于人工智能的海浪模式能够以极快的计算速度大幅节省地球模拟系统中海浪的计算时间,因此海浪智能预报系统在气候模拟方面也具有相当的应用潜力。
5 小结
准确、快速的海浪预报对于保障海上生产、生活的安全开展,沿海设施的正常、安全使用具有重要意义,是我国海洋防灾减灾业务的重要组成部分。海浪预报方法的发展经历了传统统计预报方法、数值模拟预报方法和智能预报方法三个主要的阶段。目前国际主要海洋业务预报机构最为主流的海浪预报系统是基于第三代海浪谱模式构建的。随着人工智能技术的再次兴起,基于机器学习的海浪智能预报技术快速发展,在海浪数值预报释用订正、海浪数据驱动智能预报、海浪方向谱智能预报等方面取得了突出的研究成果,并且已经开始逐步在海浪预报业务中投入使用。在业务应用中,人工智能海浪预报模型表现出与传统海浪数值模式鲜明的差异性,如速度极快、自适应精度调优、硬件需求低等优势,同时也暴露出人工智能预报模型泛化能力较弱、预报要素种类有限、极端条件下预报值偏低等缺陷。人工智能海浪预报模型未来还需要解决观测数据有效利用、引入与利用先验物理知识、增强可解释性、提高安全性以及提升泛化能力等关键科学技术问题。总体而言,人工智能海浪预报模型已经初步表现出强大的能力与发展潜力,但目前还未能完全满足业务需求的水平,需要开展包括性能评估、算法创新以及业务试运行等大量后续研究工作。