數值模型和智能模型的海浪預報能力比較

屈遠，高志一，蔡靖澤，王久珂，侯放

（國家海洋環境預報中心，北京 100081）

1 引言

海浪預報是對未來某時段內海區或部分海域可能出現的海浪狀況所作的預測。海浪預報對保障海上和岸邊人員的生命和財產安全以及海洋生產作業降本增效有重要作用。海上航行和作戰等活動催生了現代海浪預報業務。在很長一段時間里，人工經驗預報能很好地滿足海上避浪需求[1]。20 世紀80 年代以來，衛星遙感、地球系統數值模擬以及近海和近岸工程等新領域需要更精細化的甚至包含波浪內部結構的海浪預報產品[2]。這些預報需求是經驗預報無法滿足的，因此數值預報逐漸成為海浪預報業務的核心方法。近年來，在碳達峰和碳中和國家重大戰略決策的引領下，節能增效和發展新能源成為全社會的共同目標[3-4]。預報行業本身就是高耗電行業之一，每年因數值計算產生的耗電量巨大，降低計算能耗勢在必行。與此同時，海洋新能源行業的快速發展，行業對海浪預報的靈活性、時效性和便捷性提出了更高要求，甚至要求預報系統下沉部署到行業一線[5]。經驗預報和數值預報由于人工成本高和計算條件要求高等問題難以滿足需求，在這種背景下數據驅動型海浪智能預報（Artificial Intelligent，AI）應運而生。海浪智能預報以深度神經網絡模型為主要工具，需要合理設計網絡結構以滿足浪場時空序列預測要求[6-8]。模型的預測能力源于神經網絡從大量風-浪資料里學到的浪場運動的受迫性和記憶性規律，即浪場對風強迫的響應規律和浪場傳播耗散規律。智能預報的預報原理與經驗預報和數值預報十分不同，由此產生的業務效益提升非常顯著。本文利用基于卷積-長短記憶機制的深度神經網絡預報模型搭建了海浪智能預報系統并開展業務化試運行，為建設計算精度高、速度快、可輕量化部署的海浪智能預報系統提供了一種有效的方案，可以促使海浪預報更好地響應國家倡導和滿足新興行業要求。

2 海浪預報技術比較

經驗預報、數值預報和智能預報3 類技術出現的時代不同（見圖1），其理論依據、技術路線與業務化應用場景迥異。經驗預報主要應用于海洋科學層面，其基于風、浪觀測數據的規律總結，抓住海浪宏觀特征與風速、風區和風時的關系，適用于有長期氣象與海浪觀測資料積累的單點預報及客觀結果人工訂正。數值預報主要應用于物理海洋學層面，其基于海浪譜理論和計算機技術，能夠從海浪內部結構角度定量且客觀地實現海浪場預報，因此廣泛適用于海浪業務化預報。智能預報憑借大數據理論，利用基于圖形處理器（Graphics Processing Unit，GPU）計算的深度神經網絡挖掘數值模擬等方法獲得的浪場資料，從中學習海浪宏觀特征場的時空演化規律并實現預報，適用于野外和遠洋等計算資源不足且須提供實時預報服務的現場預報保障。

圖1 海浪預報技術發展歷程Fig.1 History of wave prediction technology development

2.1 經驗預報

海浪經驗預報基于大量風、浪觀測數據，建立風-浪成長關系模型并作為預報依據。這種方法因軍事需求于20 世紀40 年代開始發展，由于僅需要預報員的經驗即可快速便捷地制作海浪預報圖并提出預報意見，一直在海洋預報業務中發揮著重要作用。如今預報員并不是根據經驗直接做預報，而是根據經驗修正數值預報和其他客觀預報的結果，并給出綜合預報結論，因此又被稱為“綜合預報”。在應對臺風、氣旋-高壓配合和強冷空氣等惡劣天氣引起的災害性海浪過程時，綜合預報整體表現較好，預報員的經驗對糾正數值預報的偏差具有重要意義。目前，綜合預報仍在日本氣象廳、韓國氣象廳、我國國家和地方（含臺灣地區）等多個預報機構得到廣泛應用[9-15]。海浪經驗預報流程如圖2a 所示。預報員1 個工作周期為3 d：第一天，預報員收集整理實況觀測和天氣分析產品并繪制浪場實況圖，在頭腦中建立基本天氣形勢圖景，與前一預報員共同研判天氣形勢并交接注意事項；第二天，預報員收集整理最新的風-浪預報產品以及實況觀測資料，形成綜合預報思路，然后訂正繪圖并編制預報結論并與后一預報員交接；第三天，預報員結合新一天的實況分析結果評判前一天預報結論的精度并修正經驗。

2.2 數值預報

海浪數值預報以海浪譜理論為基礎，利用計算機求解譜平衡方程來預測浪場的時空演化。海浪譜模式即求解譜平衡方程的計算機程序，歷經三代發展已經成為數值預報的主要工具[16-28]。目前，先進的第三代海浪譜模式具有較完善的物理機制，可以描述海浪內部能量相對于頻率和方向的分布，直接計算無形狀限制的波-波非線性相互作用，還可模擬波浪與外部環境間的相互作用（如波-流相互作用，波-風相互作用、底摩擦變化及岸線影響形成的波浪變淺、折射、繞射、變形和破碎）以及海浪的空間傳播[29]。利用第三代海浪譜模式可以了解未來兩周全球任意海域的海浪狀況[30]。當前，國際主流的業務化數值模式包括：波浪模式（WAve Modelling，WAM）、海浪觀測模式（WAVEWATCHⅢ，WW3）、近岸海浪模式（Simulating WAves Nearshore，SWAN）和 海 洋 數 值 模 式（MArine Science and NUmerical Modeling，MASNUM）等，數值預報流程圖如圖2b 所示。系統首先通過數據同化或資料融合等方法生成模式初始條件，這一步驟需要驅動場數值分析及實況觀測資料、海浪模式熱啟動文件及實況觀測資料和地理信息等數據支持；然后，數值模式錄入預報驅動場和初始場開始計算并制作產品；最后，定期進行數值預報產品精度檢驗，并根據檢驗結果對數值模式關鍵參數調優。

圖2 3種海浪預報技術流程圖Fig.2 Flow charts of three wave prediction techniques

2.3 智能預報

海浪智能預報是利用智能模型來推理浪場的時空演化。這里智能模型通常是指利用神經網絡對風-浪實況大數據進行信息挖掘構建的數據驅動智能模型。早在21 世紀初人們就嘗試將智能模型引入預報業務，提出如多層前饋（Back Propagation，BP）神經網絡、長短期記憶（Long Short-Term Memory，LSTM）網絡、動態貝葉斯網絡（Dynamic Bayesian Network，DBN）等模型[31-36]，但這些模型由于本身性能原因僅能完成單點預測或數值產品大面訂正任務。2010 年后，數據學習能力更強的深度神經網絡模型開始出現。JAMES 等[6]應用基于BP神經網絡的多層感知器（MultiLayer Perceptron，MLP）和 支 持 向 量 機（Support Vector Machine，SVM）實現了海灣尺度浪場預測；ZHOU 等[7]提出利用卷積長短期記憶網絡（Convolutional LSTM Network，ConvLSTM）來學習中國近海無驅動浪場的演化；LIU等[8]提出了一種多通道卷積神經網絡并實現了渤海和黃海的風浪預報。上述模型均存在對風強迫作用、浪場傳播和耗散規律學習不足或網絡規模偏小等問題，不能刻畫大洋-海域尺度非平穩態浪場的時空演化，如氣旋等快變天氣系統激發的浪場跨洋傳播，因此，這些模型無法應用于實際預報業務。國家海洋環境預報中心新近提出了一種達到實用化水平的深度神經網絡模型，即驅動場強迫卷積長短記憶模型（Driving Field Forced ConvLSTM，DFF-ConvLSTM），其智能預報流程如圖2c所示。從圖中可以看出，該智能預報系統的流程與數值預報系統幾乎一致，除生成模型初始條件不同外，模型推理預報和定期檢驗調優與數值預報系統完全相同。各個模型通用的輸入資料為近實時風場，近實時浪場、實況觀測以及地理信息數據則根據模型結構和能力按需輸入。

3 海浪智能預報業務應用

目前，在實際的海浪預報業務中，各預報技術通常搭配使用以發揮各自優勢，預報員敏銳的直覺對判斷形勢場的重要轉折點有獨特優勢，豐富的經驗對訂正客觀預報結果并提煉綜合預報意見尤其重要。數值預報作為業務核心，廣泛應用于全球、區域及單點的預報業務，但存在計算量大、預報系統建設及運維成本較高和應用場景少等不足。本文以西北太平洋作為典型的預報場景，將數值預報系統與智能預報系統進行對比，對比內容包括系統預報產品的精度和費效比（計算速度以及可部署性）。智能預報系統采用DFF-ConvLSTM 網絡預報模型（模型結構見圖3）。模型基本組件為ConvLSTM 單元，三重堆疊ConvLSTM 單元構成基礎網絡，多個基礎網絡串接組成深度網絡。ConvLSTM單元的數學形式為：

圖3 ConvLSTM單元結構與DFF-ConvLSTM網絡結構Fig.3 ConvLSTM cell and DFF-ConvLSTM network

式中：*和°分別表示卷積和Hadamard 乘積；Xt和Ct分別為輸入和輸出；Ht為隱藏狀態；(Wx·,Wc·,Wh·)為權重系數；(it,ft,ot)為輸入門、遺忘門和輸出門，全部為RT×W×H維的張量；b為卷積的偏差；σ為激活函數sigmoid。這種結構可以從數據中提取風場和浪場間關系以及周邊和局地浪場間關系。模型輸入為10 m風速U（U10m,V10m）和前一時刻海浪狀態參量有效波高、平均波長、平均波向及方向散布寬度(Hs,Lm,Dir,Spr)，輸出為預報時刻 (Hs,Lm,Dir,Spr)。模型損失函數采用有效波高、平均波長、平均波向及方向散布寬度加權復合損失函數，根據實際需求將有效波高權重設為最大。本文設置3個時次編碼基礎網絡和8 個時次解碼基礎網絡，其中編碼網絡為輸入實況風場和浪場，輸出下一時刻浪場，解碼網絡為輸入預報風場和前次輸出浪場，輸出下一時刻預測浪場。DFF-ConvLSTM 模型訓練集為WW3生成的1999—2009年再分析浪場；驅動場采用中國氣象局中尺度天氣數值預報系統全球模式（China Meteorological Administration MESOscale model，CMA-MESO）生產的風場，預報要素為10 m 高度風速，風場空間分辨率為0.25°，時間分辨率為3 h，預報時效為120 h；模型的空間范圍為西北太平洋（99°～165°E，0°～45°N），空間分辨率為0.1°，時間分辨率為1 h，預報時效為120 h；模型初始條件采用風-浪業務分析場；預報產品包括有效波高、平均波長和平均波向。作為對比的數值預報系統采用第三代海浪譜模式WW3（v6.07），源函數采用ST6[37]；驅動場與智能預報系統相同；海浪模式空間覆蓋范圍、空間分辨率、時間分辨率和預報要素設置與智能預報系統一致；模型初始條件采用前一次預報保存的熱啟動文件。兩個預報系統的對比時段為2021年3月 1 日—2022 年 2 月 28 日，每天早晨運行 1 次，起報時間為前一天12時（世界時，下同）。本文采用遙感資料對不同系統的產品進行精度檢驗，并采用3 種完全不同的硬件平臺測試系統的費效比。

3.1 預報準確度對比

本文采用海洋二號（HY-2B）星載高度計的沿軌道資料，分季節檢驗數值預報模型和智能預報模型的預報精度和預報技能。精度檢驗指標包括均方根誤差（Root Mean Square Error，RMSE）、平均相對誤差（Average Relative Error，ARE）以及平均絕對誤差（Mean Absolute Error，MAE）。3 個參數定義如下：

式中：XF和XO分別表示預報和觀測有效波高。模式預報技能評價工具為Taylor圖[38]。該圖將預報產品的相關系數、均方根誤差和標準差顯示在一個極坐標圖中，可直觀地看出不同模式的預報技能高低（檢驗點越趨于參考點代表預報技能越高）。

精度檢驗結果表明（見表1），數值模型和智能模型預報精度表現良好。數值預報和智能預報的RMSE、ARE 和MAE 均隨預報時效的增長而增大，從春季到冬季的RMSE 有增大趨勢；冬季的ARE 最小，夏季最大，秋、冬兩季居中，這與冬季觀測有效波高總體較大有關。數值預報總體精度稍好，這是因為數據驅動智能模型是以數值模式生成的再分析資料為學習對象，學習誤差會使模型精度低于其學習對象。另外，與數值模型WW3 不同，DFFConvLSTM 是通過浪場梯度而不是以地理信息作為依據判斷岸線位置的，因此近岸區域的智能模型預報精度與數值模型差別增大。模式預報技能檢驗結果表明（見圖4），兩種模型的預報技能良好。數值模型在冬季的預報技能最優，春、秋季預報技能總體接近，夏季預報技能下降較大；智能模型預報技能的季節變化與數值模型相似，但冬季的預報技能優勢減弱。智能模型的夏季預報技能下降較多與CMA-MESO 模型對臺風預報的準確度不理想有關。兩種模型的預報技能在春季最接近，冬季差異最大，究其原因，除去驅動場誤差的季節波動原因以外，還與智能模型推理涌浪背景場的能力弱于數值模型有關。

圖4 智能模型預報與數值模型預報精度的季節對比Fig.4 Seasonal accuracy comparison between AI model and numerical model

表1 數值模型和智能模型準確度檢驗結果Tab.1 Accuracy of numerical Model and AI Model

從總體檢驗結果來看，智能模型的預報誤差與數值預報誤差水平接近，二者預報精度相當，智能預報產品完全可以滿足海浪大面預報的業務應用需求，以此為基礎可以進一步探索城市、海島和航線等精細化預報業務的場景應用。

3.2 預報費效比

為較全面地比較智能預報和數值預報系統的業務表現，本文詳細對比了兩種系統完成典型預報任務的費效比。測試環境跨平臺、跨系統，其中硬件環境包括高性能GPU 服務器、主流筆記本電腦和邊緣計算設備，軟件環境因硬件平臺不同有所差異。軟硬件平臺參數和計算時間見表2所示。完成同樣的預報任務，GPU 服務器基于CPU的數值預報和基于GPU的智能預報分別耗時2 542 s和3.7 s，筆記本電腦基于CPU 和GPU 的智能預報分別耗時113 s和21 s，邊緣計算設備基于GPU 的智能預報耗時84 s。結果表明，在GPU 平臺上智能預報模型的計算效率較數值預報高近700 倍（2 542 s/3.7 s），智能預報在數據中心和邊緣計算環境中均可部署，且應用場景靈活多樣。

表2 數值模型和智能模型試運行環境Tab.2 Trial operation environment of numerical model and AI model

4 結論

本文回顧了海浪預報技術經歷的3 個階段：經驗預報，基于觀測資料總結出風、浪的經驗關系；數值預報，由宏觀特征深入到海浪內部結構，利用高性能計算設備求解譜平衡方程（波作用量方程）并模擬海浪的生消和傳播過程；智能預報，由風-浪實況數據驅動，基于深度神經網絡模型強大的特征提取和非線性擬合能力實現浪場時空演化的推理。本文利用DFF-ConvLSTM 對WW3再分析浪場進行訓練，構建智能預報模型，并在西北太平洋海浪預報業務中與數值模型進行對比。實驗結果表明：數據驅動的智能預報已經達到業務實用水平，具備推理大洋-海域尺度非平穩態浪場時空演化過程的能力；智能預報準確度與數值預報接近，計算效率提升近700 倍，業務流程與數值預報系統幾乎完全相同且便于系統更新；智能預報應用場景豐富，其移動化、低成本和低功耗的優勢將使其成為預報新業態的優先選項，具有廣泛的應用前景。