.png){kind=icon}
返回
Reinforcement learning-based multi-model ensemble for ocean waves forecasting
.png){kind=icon}
OA
AI
DOI：10.3389/fmars.2025.1534622.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究通过提出一种基于强化学习的模型集成算法，解决了复杂动态海洋环境中波浪模拟的不确定性挑战。该算法结合多个基础模型的预测，以实现海洋变量更精确的模拟。利用软演员-评论家强化学习框架，该方法动态调整各基础模型的权重，使模型集成算法能够有效适应变化的海洋条件。该算法通过中国沿海地区的两个SWAN模型结果进行验证，并以ERA5再分析数据作为参考。结果表明，集成模型在均方根误差、平均绝对误差和偏差方面显著优于基础模型。在不同有效波高范围以及基础模型误差差异较大的场景中均观察到显著改进。模型集成算法有效减少了系统偏差，提升了波浪预测的稳定性和准确性。这些发现证实了所提方法在整合多源数据和处理复杂海洋条件方面的鲁棒性与适用性，突显了其在海洋预报中更广泛应用的前景。
Keyword:
multi-model ensemble
reinforcement learning
soft actor-critic algorithm
dynamic weight allocation
ocean wave simulation
期刊
IF:
3
论文数:
2.6K
被引数:
4.0W
机构
引用论文
分享收藏分享收藏Modelling wave growth in narrow fetch geometries: The white-capping and wind input formulations在狭窄的获取几何形状中对波浪增长进行建模: 白顶和风输入公式.png)
OCEAN MODELLING
OAAI
OCEAN MODELLINGIF2.9
OAAI分享收藏A Survey of Actor-Critic Reinforcement Learning: Standard and Natural Policy Gradients行动者-批评家强化学习的调查: 标准和自然政策梯度OAAI
OAAI分享收藏
查看更多内容