A new non-parametric correction model and its applications to hindcasting wave data
A new non-parametric correction model and its applications to hindcasting wave data
复制标题
一种新的非参数校正模型及其在后报波浪数据中的应用
DOI：
10.1016/j.oceaneng.2017.01.010
复制
发表时间：
2017-03
影响因子：
5
通讯作者：
Li Huajun
中科院分区：
文献类型：
--
作者：
Wang Lvqing;Liang Bingchen;Li Huajun
在没有实测波浪资料的海洋中，为了确定海洋结构物的设计波浪，通常采用数值波浪模型来推算波浪参数。为了利用这些后续数据，对模型结果进行误差校正以准确估计适当的波浪参数是非常重要的。本文通过对Caire和Sterl在2005年提出的方法进行修正，建立了一种新的非参数修正模型，以提高波浪模型的精度。新的修正模型引入了一个核心算法，通过训练数据集从数值大小和序列趋势中学习误差信息，并利用这些信息来修正模型输出中的潜在误差。结果表明，二维学习方法比以前的一维学习方法更有效，后者只从数值大小中学习误差信息。此外，在新的校正模型中首次采用了误差约束参数，以减少过度校正的可能性。新的改正模型比以前的改正模型性能更好，特别是在模拟波周期和高度计同步波高时。虽然本文利用WaveWatch III的输出对模型的修正性能进行了评估，但修正后的模型也可以用于其他类型的时间序列数据的修正。
In those oceans where measured wave data are not available, numerical wave models are usually adopted to hindcast wave parameters in order to define design waves for marine structures. To utilize these hindcating data, it is very important to perform error corrections of model results for accurate estimation of the appropriate wave parameters. In this paper, a new non-parametric correction model is established to improve wave model accuracy through modifying a previous approach released by Caires and Sterl in 2005. The new correction model introduces a kernel algorithm to learn error information from both value magnitude and series trend through training datasets, and utilizes the information to correct potential errors in model outputs. It is shown that the two-dimensional learning method is more effective than the previous one-dimensional which only learns error information from the value magnitude. Furthermore, an error constraint parameter is initially adopted in the new correction model to decrease the possibility of overcorrection. The new correction model performs better than its predecessor, especially when modeling wave period and altimeter synchronized wave height. Though this paper evaluates the model correcting performance with WAVEWATCH III outputs, the modified model can be adopted to correct other kinds of time-series data.
登录
查看更多内容
影响因子：
5
作者：
I. Malekmohamadi;R. Ghiassi;M. Yazdanpanah
通讯作者：
I. Malekmohamadi;R. Ghiassi;M. Yazdanpanah
影响因子：
5
作者：
A. Viselli;G. Forristall;B. Pearce;H. Dagher
通讯作者：
A. Viselli;G. Forristall;B. Pearce;H. Dagher
影响因子：
8
作者：
J. Hanafin;Y. Quilfen;F. Ardhuin;J. Sienkiewicz;P. Queffeulou;M. Obrebski;B. Chapron;N. Reul;F. Collard;D. Corman;E. Azevedo;D. Vandemark;É. Stutzmann
通讯作者：
J. Hanafin;Y. Quilfen;F. Ardhuin;J. Sienkiewicz;P. Queffeulou;M. Obrebski;B. Chapron;N. Reul;F. Collard;D. Corman;E. Azevedo;D. Vandemark;É. Stutzmann
影响因子：
3.5
作者：
Ardhuin, Fabrice;Rogers, Erick;Collard, Fabrice
通讯作者：
Collard, Fabrice
影响因子：
3.2
作者：
E. Alexandre;L. Cuadra;J. Nieto-Borge;G. Candil-García;M. D. Pino;S. Salcedo-Sanz
通讯作者：
E. Alexandre;L. Cuadra;J. Nieto-Borge;G. Candil-García;M. D. Pino;S. Salcedo-Sanz