《表1 不同输入信息组合的数值试验》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《支持向量回归的机器学习方法在海浪预测中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文基于SVR机器学习方法，建立了渤海海域有效波高短期预测模型，并利用浮标观测数据进行3 h、6 h、12 h和24 h有效波高预测试验和结果验证。前人研究成果表明，与风向、风作用时间和风区长度等输入信息相比，风速对海浪预测技巧的提升更为重要[2]。此外，由于历史海浪状态能够改变海面粗糙度分布，因此本文在考虑风速影响的情况下，同时考虑海浪状态的影响，在预测模型中引入历史海浪状态作为输入信息。为分析不同的风浪输入信息组合对有效波高预测能力的影响，本文开展了多组有效波高预测的敏感性试验，共设计了32组数值试验（见表1），分别以M1—M32命名，表中符号H和U分别表示有效波高和10 m风速，下标表示时间，例如U0表示前当风速，U-3表示预测前3 h风速，U3表示未来3 h风速，H0表示当前有效波高，H3表示未来3 h有效波高。