利用人工智能算法高效预测和分析海岸波浪的时空演变

《Engineering Applications of Artificial Intelligence》：Efficient prediction and analysis of coastal wave spatiotemporal evolution using an artificial intelligence algorithm

本研究提出一种高效AI算法，通过简化多层感知机架构、嵌入空间信息学习方法和波浪拼接共享技术，同时预测波浪参数Hs、T、Dir的时空联合分布，并分析其空间分布特征。基于SWAN模型生成的圣地亚哥海岸波浪数据集验证，算法预测准确度高（R2=0.94）、效率好（单次预测0.018秒），且能识别不同区域波浪演变相似性，弥补现有模型不足。

　　

黄新宇|唐俊|沈永明|钱玲|张晨浩

中国大连理工大学海岸与海洋工程国家重点实验室，大连116024

摘要

本文开发了一种高效的人工智能（AI）算法，能够同时预测波浪参数的时空联合分布：有效波高（Hs）、平均波周期（T）和平均波方向（Dir），并分析它们的时空分布特征。该算法结合了简化的多层感知器架构、嵌入式空间信息学习方法以及波浪元素拼接共享技术，以实现波浪参数的全面、高覆盖率的预测。此外，它还便于分析多年来的时空分布模式，这是现有算法无法实现的。研究以美国圣地亚哥海岸的波浪演变为例，使用Simulating Waves Nearshore（SWAN）波浪模型模拟研究区域的波浪演变，生成了作为AI算法数据基础的数据集。训练好的AI模型随后被用于预测和分析波浪模式。结果表明，所开发的AI算法具有较高的预测精度，平均R平方值为0.94，平均绝对百分比误差为5%，单次预测计算时间为0.018秒。此外，它还能有效分析不同区域波浪空间分布特征的相关性，并识别出波浪演变过程相似的区域。

引言

准确高效地预测沿海波浪的空间演变，特别是有效波高（Hs）、平均波周期（T）和平均波方向（Dir），对于理解沿海水动力环境至关重要（Akrish等人，2024a, 2024b）。这反过来又支持了各种沿海工程应用，例如优化港口运营、保护沿海结构（Zheng等人，2020）。此外，分析波浪的空间分布有助于识别多年间波浪变化显著的区域。专注于这些区域而非监测整个海域，可以显著减轻环境科学家的工作负担，并便于及时采取保护措施。此外，这种方法为高效反演和重建波浪水动力环境提供了宝贵支持，例如通过利用不同区域波浪之间的关系来预测更广泛区域的波浪行为。

许多AI算法已经出现，并越来越多地应用于海洋波浪预测（Huang等人，2025b；Li等人，2022；Pirhooshyaran和Snyder，2020；Upreti等人，2023）。目前，除了专注于特定位置波高时间序列预测的研究外，使用AI算法预测整个研究区域的波高的努力也显示出巨大的潜力（J?rges等人，2023）。鉴于AI设计的多样性，为特定场景选择和评估合适的架构至关重要。广泛用于空间预测的架构包括卷积神经网络（CNN）和Transformers等（Yu等人，2026；Zhu等人，2026）。然而，这些方法存在显著局限性：a) 它们通常忽略了区域内不同区域波浪分布的空间相关性；b) 与全连接神经网络相比，它们的计算复杂度较高，需要更长的计算时间和更多的存储资源（Shao等人，2022）。除了预测波高外，预测波浪参数的联合分布对于沿海和海洋工程也至关重要（Elbisy，2015；Sadeghifar等人，2017）。例如，在海洋工程和船舶水动力学中，Hs和Dir决定了波浪力的大小和方向，而接近结构或船舶自然频率的波周期可能会引发共振，带来重大风险（Myrhaug等人，2000）。然而，现有的基于AI的预测模型通常分别预测Hs、T和Dir。这种独立的预测方法通常需要至少三次单独的训练过程，因为Hs、T和Dir的演变特性和超参数不同，效率低下。这种方法不仅忽略了这些参数之间的内在相关性（Vanem，2016；Zheng等人，2023），还显著增加了计算时间，因为独立预测所需的时间大约是同步预测的三倍。

利用有限代表性区域的数据分析整个区域的波浪空间分布，对于快速高效地重建波浪模式至关重要，这是海洋环境中数字孪生的关键组成部分。通常，波浪空间分布随时间表现出一定的模式和特征，如区域间的相似性。根据代表性区域的数据，可以增强对整个研究区域波浪分布的理解（Baxevani等人，2009）。然而，现有的数值和AI模型在分析这些相关性和相似性方面面临挑战，需要使用手动方法或替代的数据分析工具，如基于经验公式的波浪统计（Akp?nar等人，2021；Morales-Márquez等人，2023；Yang等人，2021）。然而，这些方法存在显著局限性：a) 它们需要丰富的领域知识；b) 它们耗时且劳动强度大；c) 它们无法有效识别高分辨率的年际波浪分布相似性。

为了解决上述问题，本研究开发了一种AI算法，能够同时预测Hs、T和Dir的时空联合分布，并分析它们的空间分布特征。该算法利用了极度简化的多层感知器（MLP）架构、嵌入式空间信息学习方法和波浪拼接共享技术，克服了现有模型的局限性，如预测覆盖范围小（例如，单点预测）和波浪参数的独立预测。这种方法能够在较大区域内实现高覆盖率的预测，并全面、同时预测波浪参数。此外，它可以在不进行额外计算的情况下分析波浪参数的多年时空分布相似性，这是当前算法所不具备的能力。

在研究中，使用了SWAN（Li等人，2024）波浪模型来模拟美国西部圣地亚哥地区的海岸波浪演变，生成了作为所开发AI算法数据源的数据集。随后使用训练好的AI模型来预测和分析该地区的波浪演变。研究的结构如下：第2节描述了数据驱动的方法、研究区域以及用于波浪空间预测的方法。第3节展示了模型预测结果和波浪空间分布的特征。最后，第4节总结了研究结论。

部分摘录

数据集

图1显示了位于美国西部圣地亚哥海岸线的研究区域。该区域的波浪具有显著的复杂性，其能量和方向都表现出强烈的季节性变化（Ludka等人，2019；Magne等人，2007）。SWAN波浪模型（Booij等人，1999）被用来生成训练AI算法的数据集。

图1(a)展示了第2区域的入射海边界位置，以及测量浮标的位置

结果

研究的流程图如图6所示。这里，模型使用K折交叉验证方法（Jung，2018；Wong和Yeh，2019）进行训练和测试，K = 5，以减轻过拟合对结果的影响。

使用Python和深度学习库PyTorch构建了四种AI算法。使用的版本分别是Python 3.9和PyTorch 1.10.0。经过多次参数选择和调整后，确定了第四种架构的参数（例如

结论

本研究提出了一种高效的AI算法，用于预测沿海波浪的时空演变。所提出的算法能够同时准确预测有效波高（Hs）、平均波周期（T）和平均波方向（Dir），并分析它们的多年空间分布特征。使用SWAN模拟了2016年至2021年间美国西部圣地亚哥海岸的波浪演变，生成了初始训练数据

CRediT作者贡献声明

黄新宇：撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。唐俊：撰写——审阅与编辑、监督、资源管理、项目管理、方法论、调查、资金获取、概念化。沈永明：撰写——审阅与编辑、调查、资金获取、概念化。钱玲：撰写——审阅与编辑、调查、概念化。张晨浩：

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

作者感谢国家自然科学基金在合同编号52371264和52479061下的支持。