基于PCHIP的机器学习波浪预测与波浪能估算的时间优化

• 提出了利用PCHIP方法升级机器学习框架，以改善波浪参数预测。• 基于PCHIP的LSTM和RF模型应用于孟加拉湾地区的浮标数据，以预测波浪参数和估算波浪能。• 验证显示气旋、气旋前和气旋后的时间段内，误差降低显著，约为70%到90%。• 在正常和极端事件中，所提工作在有限数据可用性下被发现是有效的。本研究提出了两种混合机器学习模型，使用分段三次埃尔米特插值多项式（PCHIP）技术：PCHIP-LSTM和PCHIP-RF，以改善波浪参数的预测。从孟加拉湾（13° 27′ 09.3″ N和84° 08′ 20.4″ E）分析了七个数据集，包括2021年至2023年间短期内的气旋、气旋前和气旋后的条件，以使用所提模型评估显著波高（SWH）和平均波周期（APD）。利用PCHIP技术，通过迭代分割时间段并从原始数据集中累积插值值，以提高数据的时间分辨率。SWH和APD的散点图结果显示所提模型相较于传统模型具有良好的预测性能。这些模型获得的结果未扰动数据集的原始性，并与浮标测量和再分析数据良好一致。与浮标测量的验证显示RMSE、MAE和MAPE方面的误差减少显著，约为70%。Friedman测试和事后成对比较确保了所提模型的统计显著性，因此提供了验证。所提方法的一个关键优势是在有限数据可用性下的有效性，因为在极端天气情况下，连续测量往往稀疏或中断。这项工作不仅缓解了传统机器学习模型在小数据集研究中的限制，还提高了在所有海洋条件下的波浪能估算。