引用格式: Raj, N., Prakash, R. 2024. Assessment and prediction of significant wave height using hybrid CNN-BiLSTM deep learning model for sustainable wave energy in Australia. Sustainable Horizons 11, 100098.
近期，澳大利亚南昆士兰大学 Nawin Raj 教授团队在 Sustainable Horizons 发表研究文章，针对波浪高度预测情形，深入探讨了采用多元变分模态分解（MVMD）技术与深度学习模型（CNN-BiLSTM）相结合的方式来精确预测显著波高（Hs）的可行性，并对所构建模型的预测性能进行了全面评估。
文章亮点
Highlight
• Accurate forecasting of wave height for consideration of wave power generation.
• Utilization of MVMD for extraction of significant features from wave signals.
• Development of hybrid MVMD-CNN-BiLSTM deep learning model for significant wave height prediction.
• Significant wave height trend analysis for Emu Park and Townsville, Queensland, Australia.
研究背景
Background
化石燃料发电是驱动全球变暖与气候变化的主要碳排放源头。为减轻能源生产中的温室气体排放，转向可再生能源成为迫切需求，其中海洋能作为零碳排放的清洁能源代表，展现了巨大潜力。波浪能是源自海浪的最强大的可再生能源之一。通过先进的转换器技术，海面波浪剧烈的垂直运动被高效地转化为电能。
波浪能的有效开发与利用离不开对波浪高度的精确预测。有效波高（Significant Wave Height, Hs) 是在给定时间段内发生的最大三分之一波浪的平均测量值，是海浪的一个重要参数，是波浪能和波浪发电的重要因素。Hs的变化由多种复杂因素交织影响，包括波浪功率、显著波高及波浪周期等，它们之间的复杂互动关系极大地提升了预测的难度与挑战。尽管传统的基于物理模型的预测方法在一定程度上能够提供预测结果，但其计算复杂性和数据获取难度限制了其广泛应用。近年来，数据驱动的模型，特别是机器学习和深度学习模型，在波浪高度预测领域崭露头角。然而，这些模型在预测精度和泛化能力方面仍有待提升，需要持续的研究与创新以克服现有局限。为更有效地开发波浪能这一清洁能源，提升波浪高度预测的精度与可靠性成为关键所在。
研究方法
Method
研究选取了昆士兰州的Emu Park与Townsville作为核心研究区域（图1）。研究所需的数据集源自昆士兰州政府的开放数据平台，该数据集内含由浮标电子系统处理并实时远程传输至邻近站点的风暴潮数据。
图1 Study site map of Australia showing the geographical location of EmuPark and Townsville.
在预处理环节，研究团队对数据集实施了严格的数据清洗，处理了缺失值，并进行了标准化处理，以确保数据质量。此外，为验证时间序列数据的平稳性，团队还运用了ADF和KPSS统计量进行了站立性检验，为后续分析奠定了坚实基础。为了深入挖掘数据特征，团队创新性地采用了多元变分模态分解（Multivariate Variational Mode Decomposition, MVMD）技术，提取出内在模态函数（Intrinsic Mode Functions, IMFs）。这些IMFs能够精准捕捉数据的多元振荡特性，进而显著提升模型的预测精度。
团队开发了基于卷积神经网络（Convolutional Neural Network, CNN）与双向长短期记忆网络（Bidirectional LSTM, BiLSTM）的深度学习模型，即CNN-BiLSTM模型。在模型训练过程中，团队科学划分了训练集、验证集和测试集，通过不断调整超参数，实现了模型性能的优化。为全面、客观地评估模型性能，团队采用了包括相关系数（r）、Willmott指数（d）、Nash-Sutcliffe系数（NS）、Legates和McCabe指数（LM）、均方根误差（RMSE）、相对均方根误差（RRMSE）、平均绝对误差（MAE）以及平均绝对百分比误差（MAPE）在内的多种评估指标，确保评估结果的全面性和准确性。
图2 The correlation matrix for Hs with all input variables.
结果与讨论
Result and Discussion
结果表明，研究团队所开发的所有模型（包括MLP、RF、CatBoost以及创新的MVMD-CNN-BiLSTM），在Emu Park和Townsville均展现出了卓越的性能，所有模型的相关性能指标均超过了0.9的高水准。尤为值得一提的是，MVMD-CNN-BiLSTM模型在所有评估指标上均独占鳌头，特别是在Willmott指数、Nash-Sutcliffe系数以及Legates和McCabe指数这几个关键指标上，其表现尤为突出，充分验证了该模型在预测显著波高（Hs）方面的优越性和可靠性（图3）。
图3 This is a snapshot of the CNN-BiLSTM modeling architecture which shows the layers of the neural network and its hierarchy.
为了更直观地展示模型的预测效果，团队还采用了散点图和多种误差指标对预测结果进行了详尽的可视化分析（图4、图5）。这些图表清晰地表明，尽管在预测极端波浪高度时模型可能存在一定的误差，但总体而言，模型能够精确地捕捉到波浪高度的变化趋势，为后续的波浪能开发提供了有力的数据支持。
图4 Scatterplot for Emu Park.
图5 Scatterplot for Townsville.
此外，团队还对年度平均显著波高进行了深入的趋势分析，并据此进行了线性投影。结果显示，Emu Park和Townsville的年度平均显著波高分别稳定在0.78至0.9米和0.62至0.69米的范围内，并且均呈现出逐渐上升的趋势。这一发现不仅为未来的海岸管理提供了重要的参考依据，同时也为波浪能开发领域带来了新的曙光。在波浪能潜力与显著波高的关系分析方面，团队指出Emu Park相较于Townsville具有更高的波浪能开发潜力。线性投影进一步显示，随着显著波高的不断增加，海洋表面风能也将随之攀升，这无疑为未来的波浪能项目提供了更为广阔的发展空间和更加坚实的理论基础。
总结与展望
Summary & Prospect
研究创新性地提出了一种结合多元变分模态分解（MVMD）与深度学习模型（CNN-BiLSTM）的波浪高度预测方法。该方法在澳大利亚昆士兰州的Emu Park和Townsville两个研究地点进行了严谨的实证分析，充分验证了其有效性和高精度。实验结果显示，MVMD-CNN-BiLSTM模型在波浪高度预测领域展现出显著优势，能够为波浪能基础设施的安装规划提供精准的预测数据与有价值的参考依据。
未来的研究方向是进一步拓展提升波浪高度预测的精度与泛化能力。一方面，可以探索其他数据分解技术和深度学习模型的应用，以期不断优化和完善现有的MVMD-CNN-BiLSTM模型。另一方面，可以考虑将更多相关因素，如气象因素、海流信息等，作为输入变量纳入模型中，从而更全面、更准确地反映波浪高度的变化特征。此外还可以将该方法推广应用于其他地区的波浪高度预测中，通过实证分析验证其普适性和可靠性，为未来的波浪能开发和利用提供更加坚实的技术支撑与保障，推动波浪能产业的可持续发展。
Nawin Raj, Senior Lecturer (Mathematics) of School of Mathematics, Physics and Computing, University of Southern Queensland. Member of the Australian Society of Mathematicians, Fields of Research (FoR): Oceanography, Applied Mathematics, Numerical and Computational Mathematics.
南昆士兰大学（University of Southern Queensland），简称“南昆大”“UniSQ”。创建于1967年，位于澳大利亚联邦昆士兰州，英联邦大学协会成员。南昆士兰大学在全球大学中排名前2%，在各大世界排名中均位列前400名。在2025年USnews世界大学排名中位列304名，2025年QS世界大学排名中位列396名，2023年泰晤士高等教育世界大学排名中位列301-350区间。
往期论文推荐
期刊简介
Sustainable Horizons 是由宁波东方理工大学（暂名）、中国环境科学学会与爱思唯尔合作出版的开放获取期刊。期刊聚焦当前可持续发展研究热点，对标 SDGs，接收包括但不限于可持续环境/技术/健康/管理相关方向的优质研究成果。期刊现已发表多篇来自五大洲二十余个国家的高水平论文，文章普遍受到国内外的广泛关注，总下载量近八万次，全文浏览量近二十万，每篇文章平均引用次数超十次。
期刊已被 ESCI、Ei Compendex、GEOBASE、Scopus (CiteScore 6.6, CiteScore Tracker 8.2)、CNKI 等数十家国内外主流数据库收录，将于 2025 年 6 月迎来首个影响因子（IF）。当前一审时间约为 3 周，对于 2024 年 12 月 31 日以前接收的论文，将由期刊提供免费开源出版、图表美化以及语言润色服务。
期刊现有国内外多平台对文章进行推广。咨询、投稿、合作、转载请于公众号私信或发送邮件至 sush_publishing@eitech.edu.cn，编辑部将于第一时间回复您的信息。
联系邮箱：
sush_publishing@eitech.edu.cn
期刊官网：
https://journals.elsevier.com/sustainable-horizons
Linkedin Page：
https://www.linkedin.com/company/sustainable-horizons/
X Page：
https://twitter.com/Sushorizons
投稿链接：
https://www.editorialmanager.com/horiz/default1.aspx
2022 V1
2022 V2
2022 V3
2022 V4
2023 V5
2023 V6
2023 V7
2023 V8
2024 V9
2024 V10
