导    读

精确的近岸风速预测有助于更有效地评估和利用海上风能资源，推动风电产业的可持续发展。自然资源部第二海洋研究所卫星海洋环境动力学国家重点实验室杨劲松团队发展了基于深度学习的多站点风速预测模型，通过引入门控机制和节点特征向量，模型具备了捕捉多个站点时空依赖关系的能力，从而实现对各站点风速变化的精确预测。该模型不仅对近岸风速预测提供了新的思路，而且对风能评估开发和海上灾害预警具有重要意义。相关研究成果近日发表在Science合作期刊Ocean-Land-Atmosphere Research上。

图1  图文摘要

主要内容

面对日益严峻的环境问题和能源危机，开发可再生能源成为全球共识。然而，目前的研究往往局限于单一站点的风速预测，忽略了多站点间的空间联系。为填补这一空白，本文提出了一种基于深度学习的多站点风速预测模型。通过运用门控机制和节点特征向量，该方法能够有效捕捉不同站点之间的时空依赖关系，并且能够精确地预测每个站点的未来12小时的风速变化。预测结果在美国国家数据浮标中心（NDBC）的实测数据上进行了有效验证，研究结果表明，12小时平均预测均方根误差为2.09米/秒。

图2  本文选取的NDBC浮标数据的地理分布

本文选取了美国东海岸八个NDBC浮标站点，图2展示了这些浮标的地理位置分布。图3展示了提出的框架在常规风速场景下，对各个站点的预测性能。其中浮标#42040位于湾内，该位置风速变化的剧烈程度较低，结果表明此处RMSE最低，为0.83 m/s。图4（A-B）展示了在飓风Ida和飓风Ian过境的极端场景下的表现，表明在研究区域受到飓风影响时，提出的模型仍旧具有稳定的性能。

图3  模型对各站点的1小时预测与NDBC实际观测值之间的密度散点图（2021年10月9至2022年1月2日）

图4  模型在（A）飓风Ida 和（B）飓风Ian 期间的风速预测结果与NDBC实际观测值的比较

总结与展望

本研究提出了一种深度学习模型，用于多站点风速预测，并在极端天气如飓风情况下表现出良好性能。未来，通过整合更多有效数据和先进技术，如图神经网络，生成式对抗网络等，有望提高模型准确性，为海上风能评估和灾害预警提供重要支持。

原文链接：https://spj.science.org/doi/10.34133/olar.0031

文章标题：

Enhanced Offshore Wind Speed Forecasts along the U.S. East Coast: A Deep Learning Framework Leveraging NDBC Buoy Data

文章作者：

Xinhai Han, Xiaohui Li, Jingsong Yang, Jiuke Wang, Jun Ding, Hui Shen, Jun Yan, He Fang, and Qingmei Xiao

文章摘要：

Offshore wind speed is a critical factor that influences various aspects of human life, and accurate forecasting is of utmost importance for the efficient utilization of offshore resources. In this paper, we present a novel deep-learning-based model for multisite offshore wind speed forecasting along the US East Coast. The proposed model is trained using the collected 2018–2020 National Data Buoy Center buoy data and tested using the 2021–2022 data. By inputting historical wind speed data into the model, simultaneous forecasting results can be obtained for multiple buoy sites through the embedding layer, feature extraction layer, and long short-term memory layer. Notably, the embedding layer, which is specifically engineered to capture spatial dependencies between multiple sites, proves to be highly effective in the context of multisite wind speed forecasting, as substantiated by our conducted ablation experiments. The evaluation metrics display satisfactory results: The 12-h average root mean square error at 1-h forecasting intervals is 2.09 m/s, the correlation coefficient is 0.7, and the mean absolute error is 1.24 m/s. Through case studies, the proposed model demonstrates its effectiveness in forecasting wind speeds during hurricanes, underscoring its potential for use in the offshore wind energy assessment and maritime disaster warning domains.

文章引用：

Han X, Li X, Yang J, Wang J, Ding J, Shen H, Yan J, Fang H, Xiao Q. Enhanced Offshore Wind Speed Forecasts along the U.S. East Coast: A Deep Learning Framework Leveraging NDBC Buoy Data. Ocean-Land-Atmos. Res.2023;2:Article 0031. DOI:10.34133/olar.0031

OLAR 期刊简介

Ocean-Land-Atmosphere Research (OLAR) 由南方海洋实验室和美国科学促进会合作出版，入选2022年度中国科技期刊卓越行动计划高起点新刊项目，海洋负排放国际大科学计划（Ocean Negative Carbon Emissions, ONCE）学术出版合作平台，已被全球最具影响力的开放存取期刊目录DOAJ（Directory of Open Access Journals）数据库收录。本刊以海洋相关学科为重点，刊稿主题包括但不限于：海陆气相互作用、海洋碳中和、物理海洋学、海洋生物与生态、海洋地质与地球物理、化学海洋学、海洋气象学、大气物理与大气环境、冰冻圈科学、河口海岸学、海洋工程与海洋技术、海洋资源开发与利用。OLAR 投稿系统目前已正式开放，热烈欢迎相关研究领域科学家踊跃投稿。分享卓见，探索前沿，OLAR 诚邀您一起荟萃科学发现，共享学术盛筵！

期刊官网：https://spj.science.org/journals/olar/

投稿系统：https://www.editorialmanager.com/olar/

扫码关注OLAR官方微信公众号