[论文解读] Forecasting Significant Wave Heights in Oceanic Waters.

Pujan Pokhrel, Elias Ioup+3 more|arXiv (Cornell University)|May 18, 2021

Ocean Waves and Remote Sensing参考文献 13被引用 1

一句话总结

本文提出一种基于Extra Trees（ET）的机器学习模型，利用CDIP浮标数据预测海洋中的有效波高。通过引入谱特征、hv-block交叉验证以及严格的质控措施，该模型在14天前瞻预测中实现了高精度——散点指数（Scatter Index）为0.110，均方根误差（RMSE）为0.122，优于当前最先进的方法，并将预测时长突破了典型的120小时限制。

ABSTRACT

This paper proposes a machine learning method based on the Extra Trees (ET) algorithm for forecasting Significant Wave Heights in oceanic waters. To derive multiple features from the CDIP buoys, which make point measurements, we first nowcast various parameters and then forecast them at 30-min intervals. The proposed algorithm has Scatter Index (SI), Bias, Correlation Coefficient, Root Mean Squared Error (RMSE) of 0.130, -0.002, 0.97, and 0.14, respectively, for one day ahead prediction and 0.110, -0.001, 0.98, and 0.122, respectively, for 14-day ahead prediction on the testing dataset. While other state-of-the-art methods can only forecast up to 120 hours ahead, we extend it further to 14 days. This 14-day limit is not the forecasting limit, but it arises due to our experiment's setup. Our proposed setup includes spectral features, hv-block cross-validation, and stringent QC criteria. The proposed algorithm performs significantly better than the state-of-the-art methods commonly used for significant wave height forecasting for one-day ahead prediction. Moreover, the improved performance of the proposed machine learning method compared to the numerical methods, shows that this performance can be extended to even longer time periods allowing for early prediction of significant wave heights in oceanic waters.

研究动机与目标

• 将有效波高预测时间延长至现有模型通常限制的120小时以上。
• 利用CDIP浮标点测量数据，通过机器学习方法提升海洋波高预测的准确性。
• 构建一个融合谱特征、交叉验证与质控的稳健预测框架。
• 证明机器学习方法在长期波高预测中优于数值方法。
• 通过提供更长周期且可靠的波高预测，支持海洋灾害的早期预警系统。

提出的方法

• 模型采用Extra Trees（ET）算法，一种基于树的集成方法，对CDIP浮标数据提取的特征进行回归分析。
• 首先对多种海洋参数进行实时预报（nowcasting），随后在30分钟间隔上预测有效波高。
• 从浮标测量中提取谱特征，以增强输入表示，提升模型泛化能力。
• 采用hv-block交叉验证，确保时间序列预测中的时间鲁棒性，防止数据泄露。
• 实施严格的质控（QC）标准，在模型训练与评估前过滤噪声或不可靠的数据点。
• 模型在包含1天与14天预测时长的数据集上进行训练与测试，性能通过标准指标进行评估。

实验结果

研究问题

• RQ1 机器学习模型能否将有效波高预测时间延长至标准120小时以上？
• RQ2 在长期波高预测中，Extra Trees模型相较于当前最先进的方法表现如何？
• RQ3 谱特征与严格质控在多大程度上提升了预测精度？
• RQ4 引入实时预报参数是否增强了模型的预测能力？
• RQ5 在长期海洋波高预测中，机器学习模型能否优于传统数值方法？

主要发现

• 对于1天前瞻预测，模型的散点指数（SI）为0.130，RMSE为0.14，表明预测精度极高。
• 在14天前瞻预测中，模型的SI为0.110，RMSE为0.122，展现出强大的长期预测性能。
• 14天预测的相关系数达到0.98，表明预测值与实测波高之间存在强烈的线性关系。
• 14天预测的偏差极低，仅为-0.001，表明系统性高估或低估可忽略不计。
• 该方法在1天预测精度方面显著优于现有最先进的方法。
• 结果表明，机器学习模型可可靠地拓展至14天以上的更长预测时长。