Ⅳ类高峰学科“岛屿大气与生态”彭忠团队:人工智能赋能海洋波浪预测,攻克双模态适应与高精度难题
近期,华东师范大学河口海岸全国重点实验室/崇明生态研究院(Ⅳ类高峰学科“岛屿大气与生态”)河口海岸数字孪生团队取得人工智能驱动海洋波浪预测的重要进展。相关成果以An innovative deep learning model for accurate wave height predictions with enhanced performance for extreme waves为题,发表于海洋工程领域著名期刊Ocean Engineering。
研究背景

极端波浪预测是海洋工程与气候预测领域的关键难题。现有的波浪预测方法主要依赖数值模型预报,尽管具备较高的物理可解释性,但计算量大,通常需要小时级的计算时间,难以满足突发事件的快速响应需求。此外,由于数据分布不平衡,当前许多深度模型对于极值数据的预测误差相对较大,一些模型尝试基于飓风期间的数据训练,虽然在极端天气下表现出较高的预测精度,但在正常天气条件下可能因过度拟合特定模式而导致性能下降。这种局限性使得模型的实际应用受限,往往需要专业领域知识来评估其适用性。因此,开发兼具极端天气与常态天气海洋波浪预测高精度机器学习模型至关重要。
研究成果

研究团队提出了一种基于极值增强算法的 LSTM-NBEATS(EELN)模型,成功突破了传统方法在计算与适用性上的瓶颈。该模型在保证极端波高预测精准度的同时,兼顾了正常天气条件下的预测稳定性,取得了以下三大关键突破:
1. 极值增强(Extremum-Enhanced)算法
EELN 模型通过引入极值增强算法,利用分类模型预测未来波高的可能区间,并动态调用预训练的极端波高 LSTM 模型,显著提高了极端天气条件下的预测精度,确保应对突发波浪的能力。
2. 双模态适应性
该模型巧妙结合了长短时记忆网络(LSTM)与神经基扩展时间序列预测(NBEATS)方法,不仅保持了对极端天气的高效预测能力,还优化了正常天气条件下的波高预测稳定性,解决了传统方法难以兼顾的适应性问题。
3. 预测精准度
与传统深度学习模型相比,EELN 模型在预测性能上展现出卓越的优势:平均绝对误差(MAE)降低 53.45%,预测准确性(R² 值)提升 40.04%,达到 0. 9316。这一成果不仅验证了 EELN 模型的有效性,也为波浪预测领域提供了新的技术路径和理论支持。

图 1 极值增强算法技术路线

图2 基于极值增强算法的LSTM-NBEATS(EELN)模型性能展示
研究结论

本研究在波浪预测能力上实现了双重突破,不仅提高了极端天气下的预测精度,还解决了深度学习模型在正常天气和极端天气下波浪预测的广泛适用性。这一技术创新使得波高预测模型更具精准度、稳定性与泛化能力,在海洋工程、气候建模、灾害风险管理、航运安全等多个领域具有广泛的应用价值。EELN 模型能够提前24小时精准预测正常与极端天气下的波浪变化,同时保持高效计算能力,为人工智能驱动的海洋学建模提供了新的技术路径。
研究团队与资助

该论文第一作者为华东师范大学河口海岸全国重点实验室硕士生卢玺,华东师范大学河口海岸全国重点实验室/崇明生态研究院(Ⅳ类高峰学科“岛屿大气与生态”)通讯作者为彭忠研究员。其他共同作者包括华东师范大学何青研究员、杨彬教授、李晨辉副教授,硕士生李徜徉,以及中交四航院陈良志教高和乔光全博士。本研究得到国家重点研发计划(2022YFA1004401,2022YFE0136700)、国家自然科学基金(U2040216)以及上海市科技委员会项目(23002400400, 22JC1400900,21230750600)的资助。
文献信息:
Lu X, Peng Z, Li C, et al. An innovative deep learning model for accurate wave height predictions with enhanced performance for extreme waves. Ocean Engineering. 2025;322:120502. doi:10.1016/j.oceaneng.2025.120502
图文、来源 | Ⅳ类高峰学科“岛屿大气与生态”彭忠研究团队