DOI: https://doi.org/10.1016/j.oceaneng.2025.124122
تاريخ النشر: 2026-01-11
المؤلف: Jiani Chen وآخرون
الموضوع الرئيسي: أمواج المحيط والاستشعار عن بُعد
نظرة عامة
تتناول ورقة البحث التحدي المتمثل في توقع الأمواج في الأنشطة البحرية، مع التأكيد على الحاجة إلى بيانات تاريخية عالية الجودة لتدريب الخوارزميات المعتمدة على التعلم. نظرًا للقيود مثل قيود المعدات وظروف المحيط القاسية، فإن الحصول على بيانات كافية عن الأمواج غالبًا ما يكون صعبًا. لمواجهة هذه المشكلة، يقترح المؤلفون نموذجًا جديدًا لتAugmentation البيانات، WTGAN (شبكة الخصومة التوليدية الزمنية فاسرشتاين)، والذي يولد بيانات سلسلة زمنية اصطناعية من خلال التقاط الاعتماد الزمني. يتم التحقق من فعالية النموذج من خلال مقارنات الخصائص الإحصائية ومقاييس الأداء، بما في ذلك متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومعامل التحديد ($R^2$). تشير النتائج إلى أن WTGAN يحسن أداء التوقع بنسبة تتراوح بين 5% إلى 12% عبر ظروف الأمواج المختلفة.
في الختام، يعالج نموذج WTGAN بشكل فعال عدم كفاءة البيانات في توقع أمواج البحر من خلال توليد بيانات اصطناعية تشبه الظروف الواقعية. تقيم الدراسة النموذج تحت ثلاثة سيناريوهات محددة: أمواج غير منتظمة واقعية، أمواج غير منتظمة مع ضوضاء غاوسية، وأمواج تم نمذجتها بواسطة طيف JONSWAP لمحاكاة التأثيرات البيئية القصوى. تُظهر التحسينات في RMSE (حتى 0.58) وMAE (حتى 0.40) عبر هذه السيناريوهات قوة WTGAN واستقراره، مما يبرز إمكانيته في تعزيز توقعات أمواج البحر على المدى القصير مع مجموعات بيانات محدودة. ستستكشف الأبحاث المستقبلية تضمين متغيرات إضافية مثل الموسمية، والموقع الجغرافي، والرياح لتقييم قدرات تعميم النموذج بشكل أكبر.
مقدمة
تناقش مقدمة ورقة البحث أهمية توقع أمواج البحر في تطبيقات بحرية متنوعة، بما في ذلك التحكم في محولات طاقة الأمواج، وأنظمة الإطلاق البحرية، ومراقبة الطاقة المتجددة في البحر. يعد التنبؤ الدقيق بالأمواج أمرًا ضروريًا للحفاظ على الاستقرار في المنصات البحرية والسفن، فضلاً عن ضمان إمداد مستمر بالطاقة من محولات طاقة الأمواج. تم استخدام نماذج إحصائية تقليدية مثل ARIMA للتنبؤ الخطي بالأمواج، لكنها تواجه صعوبات مع التعقيدات واللاخطية المتأصلة في بيانات الأمواج. ظهرت تقنيات التعلم الآلي، وخاصة الشبكات العصبية الاصطناعية (ANNs) ومتغيراتها مثل الشبكات العصبية المتكررة (RNNs) والشبكات العصبية التلافيفية (CNNs)، كأدوات قوية لالتقاط هذه الديناميكيات غير الخطية.
على الرغم من التقدم في أساليب التعلم الآلي، لا تزال التحديات قائمة، خاصة عند العمل مع مجموعات بيانات صغيرة الحجم بسبب التكاليف العالية المرتبطة بجمع البيانات المحيطية. تسلط الورقة الضوء على حلول مبتكرة مثل الشبكات العصبية المدعومة بالفيزياء (PINNs)، والتعلم الانتقالي، والشبكات الخصومية التوليدية (GANs) لمعالجة قيود البيانات. على وجه التحديد، تقدم نموذجًا جديدًا لشبكة GAN الزمنية فاسرشتاين (WTGAN) مصممة لتAugmentation بيانات ارتفاع الأمواج في السيناريوهات ذات مجموعات البيانات المحدودة. توضح الورقة مساهماتها، بما في ذلك تطوير نموذج WTGAN، والتحقق من تشابه البيانات الاصطناعية مع البيانات الأصلية، وفعاليتها في توقع ارتفاع الأمواج عبر ظروف متنوعة. ستفصل الأقسام اللاحقة مجموعة البيانات، وهيكل النموذج، والأداء الإحصائي، والنتائج العامة.
الطرق
تحدد قسم الطرق في ورقة البحث المواد والمنهجية المستخدمة لدراسة مجموعات بيانات ارتفاع الأمواج وتطوير نموذج Augmentation البيانات، WTGAN (شبكة الخصومة التوليدية الزمنية فاسرشتاين). تم تحليل ثلاثة سيناريوهات أمواج متميزة: الحالة 1 تضمنت بيانات ارتفاع أمواج واقعية من كورنوال، المملكة المتحدة؛ الحالة 2 أضافت ضوضاء غاوسية لمحاكاة عدم اليقين في جمع البيانات، مع انحراف معياري قدره $\sigma = 0.1$؛ والحالة 3 استخدمت طيف JONSWAP لنمذجة ظروف الأمواج القصوى، المميزة بعامل تعزيز ذروة $\gamma = 3.3$. تم هيكلة مجموعات البيانات بخطوة زمنية قدرها 0.5 ثانية، وتم تلخيص الخصائص الإحصائية في جدول.
تم تصميم نموذج WTGAN ليتعلم الأنماط الزمنية من مجموعات بيانات محدودة، ويتكون من خمسة وحدات أساسية: وحدة الإدخال، الاسترداد، المولد، المشرف، والناقد، مع استخدام هياكل LSTM ثنائية الاتجاه واتجاه واحد لالتقاط المعلومات السياقية والميزات الذاتية، على التوالي. شمل عملية التدريب مرحلتين: التدريب المسبق لوحدة الإدخال والاسترداد، تليها التدريب التنافسي لتحسين المولد والناقد. تضمنت دوال خسارة النموذج مكونات متنوعة، بما في ذلك خسارة تنافسية، خسارة طيفية، ومطابقة التوزيع، مما يضمن أن البيانات المولدة تحتفظ بخصائص إحصائية وزمنية واقعية. قامت الإعدادات التجريبية بتقييم أداء مجموعات البيانات المولدة بواسطة WTGAN مقابل مجموعات البيانات الأصلية باستخدام ثلاثة نماذج توقع—LSTM، PatchTST، وTCN—عبر أطوال بيانات تدريب متغيرة، مع تقييم دقة التنبؤ من خلال مقاييس مثل RMSE، MAE، و$R^2$. كانت هذه المقاربة الشاملة تهدف إلى التحقق من فعالية WTGAN في تعزيز قدرات توقع أمواج البحر.
النتائج
تقيم قسم النتائج أداء شبكة التحويل التوليدية الخصومية (WTGAN) من خلال ثلاثة خوارزميات تطبق على سيناريوهات أمواج متميزة. يتم تقسيم التقييم إلى مكونين رئيسيين: مقارنة إحصائية بين مجموعات البيانات الاصطناعية والأصلية لتحديد الأخطاء العامة في التنبؤ والنقاط الشاذة، وتحليل فعالية الخوارزميات في توقع أمواج البحر.
تشمل مقاييس الأداء المستخدمة للتقييم جذر متوسط مربع الخطأ (RMSE) ومتوسط الخطأ المطلق (MAE)، والتي توفر مقاييس كمية لدقة التنبؤ. سيتم تقديم تصورات للنتائج التي تم توليدها بواسطة كل نموذج عبر الحالات المختارة لدعم جدوى WTGAN لتوقع الأمواج على المدى القصير، مع تسليط الضوء على مزاياها المحتملة في هذا المجال.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على فعالية شبكة التحويل التوليدية الخصومية الزمنية (WTGAN) في توليد مجموعات بيانات اصطناعية لتوقع أمواج البحر. نجح النموذج في إنتاج خمس مجموعات بيانات جديدة مع نسب Augmentation تتراوح من 100% إلى 500%، مع الحفاظ على الميزات الإحصائية الرئيسية مثل القيم الدنيا، والمتوسطات، والانحرافات المعيارية عبر ثلاثة ظروف للأمواج. بينما كانت القيم القصوى أقل قليلاً من القيم القصوى الفعلية—وذلك بسبب التحديات في التقاط الأحداث القصوى—ظلّت المسافة فاسرشتاين قريبة من الصفر، مما يدل على أن البيانات الاصطناعية اقتربت بشكل كبير من توزيعات البيانات الأصلية. تمكن النموذج من التقاط الخصائص الإحصائية واتجاهات التقلب لمجموعات البيانات الأصلية، على الرغم من ملاحظة بعض الإفراط في التكيف والتشويه الطيفي.
فيما يتعلق بأداء التنبؤ، أدى تطبيق مجموعات البيانات المولدة بواسطة WTGAN إلى تحسين دقة النماذج المعتمدة على التعلم (LSTM وTCN) مقارنة بتلك المدربة على مجموعات البيانات الأصلية، خاصة في الحالات ذات البيانات المحدودة. أظهر نموذج LSTM تحسينات ملحوظة، خاصة عند نسب Augmentation أعلى، بينما واجه نموذج PatchTST صعوبات بسبب هيكله الذي كان أقل ملاءمة لخصائص الأمواج على المدى القصير. تؤكد النتائج على إمكانيات WTGAN في تعزيز دقة التنبؤ في السيناريوهات ذات البيانات القليلة، مع ملاحظة أن النتائج المثلى عادة ما تُلاحظ عند نسب Augmentation تبلغ 200% و300%. تشمل اتجاهات البحث المستقبلية توسيع النموذج لتضمين متغيرات إضافية واستكشاف قابليته للتطبيق في البيئات البحرية الحقيقية.
DOI: https://doi.org/10.1016/j.oceaneng.2025.124122
Publication Date: 2026-01-11
Author(s): Jiani Chen et al.
Primary Topic: Ocean Waves and Remote Sensing
Overview
The research paper addresses the challenge of wave prediction in marine activities, emphasizing the need for high-quality historical data for training learning-based algorithms. Due to limitations such as equipment constraints and harsh ocean conditions, acquiring sufficient wave data is often difficult. To tackle this issue, the authors propose a novel data augmentation model, WTGAN (Wasserstein Temporal Generative Adversarial Network), which generates synthetic time series data by capturing temporal dependencies. The model’s effectiveness is validated through comparisons of statistical properties and performance metrics, including Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Coefficient of Determination ($R^2$). The results indicate that WTGAN improves forecasting performance by 5% to 12% across various wave conditions.
In conclusion, the WTGAN model effectively addresses data inefficiency in sea wave prediction by generating synthetic data that closely resembles real-world conditions. The study evaluates the model under three specific scenarios: realistic irregular waves, irregular waves with Gaussian noise, and waves modeled by the JONSWAP spectrum to simulate extreme environmental impacts. The improvements in RMSE (up to 0.58) and MAE (up to 0.40) across these scenarios demonstrate WTGAN’s robustness and stability, highlighting its potential for enhancing short-term sea wave forecasting with limited datasets. Future research will explore the inclusion of additional variables such as seasonality, geographical location, and wind to further assess the model’s generalization capabilities.
Introduction
The introduction of the research paper discusses the significance of sea wave prediction in various marine applications, including wave energy converter control, marine launch systems, and offshore renewable energy monitoring. Accurate wave forecasting is essential for maintaining stability in offshore platforms and ships, as well as for ensuring consistent power supply from wave energy converters. Traditional statistical models like ARIMA have been used for linear wave prediction, but they struggle with the complexities and nonlinearities inherent in wave data. Machine learning techniques, particularly artificial neural networks (ANNs) and their variants such as recurrent neural networks (RNNs) and convolutional neural networks (CNNs), have emerged as powerful tools for capturing these nonlinear dynamics.
Despite advancements in machine learning approaches, challenges remain, particularly when working with small-scale datasets due to the high costs associated with oceanographic data collection. The paper highlights innovative solutions such as Physics-Informed Neural Networks (PINNs), transfer learning, and Generative Adversarial Networks (GANs) to address data limitations. Specifically, it introduces a novel Wasserstein Temporal GAN (WTGAN) designed for augmenting wave elevation data in scenarios with limited datasets. The paper outlines its contributions, including the development of the WTGAN model, validation of synthetic data similarity to original data, and its effectiveness in wave height forecasting across various conditions. Subsequent sections will detail the dataset, model structure, statistical performance, and overall findings.
Methods
The methods section of the research paper outlines the materials and methodology employed to study wave elevation datasets and the development of a data augmentation model, WTGAN (Wasserstein Temporal Generative Adversarial Network). Three distinct wave scenarios were analyzed: Case 1 involved realistic wave height data from Cornwall, UK; Case 2 added Gaussian noise to simulate data collection uncertainties, with a standard deviation of $\sigma = 0.1$; and Case 3 utilized the JONSWAP spectrum to model extreme wave conditions, characterized by a peak enhancement factor $\gamma = 3.3$. The datasets were structured with a time step of 0.5 seconds, and statistical properties were summarized in a table.
The WTGAN model was designed to learn temporal patterns from limited datasets, comprising five core modules: an embedder, recovery, generator, supervisor, and critic, with bidirectional and unidirectional LSTM architectures employed to capture contextual information and autoregressive features, respectively. The training process involved two stages: pre-training of the embedder and recovery, followed by adversarial training to optimize the generator and critic. The model’s loss functions incorporated various components, including adversarial loss, spectral loss, and distribution matching, ensuring that the generated data maintained realistic statistical and temporal characteristics. The experimental setup evaluated the performance of WTGAN-generated datasets against original datasets using three forecasting models—LSTM, PatchTST, and TCN—across varying training data lengths, with prediction accuracy assessed through metrics such as RMSE, MAE, and $R^2$. This comprehensive approach aimed to validate the effectiveness of WTGAN in enhancing sea wave prediction capabilities.
Results
The results section evaluates the performance of the Wave Transform Generative Adversarial Network (WTGAN) through three algorithms applied to distinct wave scenarios. The assessment is bifurcated into two main components: a statistical comparison of synthetic and original datasets to identify overall prediction errors and outliers, and an analysis of the algorithms’ effectiveness in sea wave prediction.
The performance metrics utilized for evaluation include Root Mean Square Error (RMSE) and Mean Absolute Error (MAE), which provide quantitative measures of prediction accuracy. Visualizations of the outputs generated by each model across the selected cases will be presented to substantiate the feasibility of WTGAN for short-term wave prediction, highlighting its potential advantages in this domain.
Discussion
The discussion section of the paper highlights the efficacy of the Wasserstein Temporal Generative Adversarial Network (WTGAN) in generating synthetic datasets for sea wave prediction. The model successfully produced five new datasets with augmentation ratios ranging from 100% to 500%, preserving key statistical features such as minimum values, means, and standard deviations across three wave conditions. While the maximum values were slightly lower than the actual maxima—attributable to challenges in capturing extreme events—the Wasserstein distance remained close to zero, indicating that the synthetic data closely approximated the original data distributions. The model effectively captured the statistical characteristics and fluctuation trends of the original datasets, although some overfitting and spectral distortion were noted.
In terms of forecasting performance, the application of WTGAN-generated datasets significantly improved the accuracy of learning-based models (LSTM and TCN) compared to those trained on original datasets, particularly in cases with limited data. The LSTM model showed notable enhancements, especially at higher augmentation ratios, while the PatchTST model struggled due to its architecture being less suited for short-term wave characteristics. The findings underscore the potential of WTGAN to enhance predictive accuracy in data-scarce scenarios, with optimal results typically observed at augmentation ratios of 200% and 300%. Future research directions include expanding the model to incorporate additional variables and exploring its applicability in real ocean environments.