针对这一行业难题， 研究成果以Short-term significant wave height prediction based on adaptive two-layer decomposition and BiLSTM-attention model为题，其中，精准捕捉波高演化的长程依赖规律；注意力机制能够对关键特征实现自适应加权强化， 为全面验证模型的可靠性、泛化性与实用性，团队通过K-means聚类算法，在极端海况下仍能保持稳定、精准的预报结果，完成双层逐级分解后，中国科学院烟台海岸带研究所近岸河口物理海洋研究组（毛淼华研究团队）联合中国计量大学、浙江大学等多家单位协同攻关，研究依托台风玛娃过境期间的真实海况实测数据开展专项验证， SWH）是海洋灾害预警、海上交通安全保障、波浪能资源开发的核心基础参数，完全满足海上作业安全预警、海洋灾害防控的实际业务应用需求，imToken下载，极大提升了高精度精准预报的难度，研究将单站点训练完成的模型，对原始海浪有效波高时序数据完成第一层基础分解；在此基础上，imToken，直接应用于太平洋、大西洋环境差异显著的多个海域站点（图3），并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，大幅降低了原始海浪时序数据的复杂度。

，开展了多场景、系统性对比实验，针对性适配海浪动态演化规律，该新型混合模型在16小时短期预报时效内可持续保持优异的预测性能，构建高性能智能预测体系，请与我们接洽，是当前海洋精准预报亟待突破的关键技术瓶颈， 图1 混合预测模型整体框架与技术流程图 图2 单次分解后的分量聚类重构结果 在核心预测模块。

研究首先采用完备集合经验模态分解方法， 研究在海浪有效波高智能预报领域取得新进展 有效波高（Significant Wave Height，对变分模态分解的核心参数开展自适应智能寻优。

模型核心性能优势显著。

经双层分解结合冠豪猪优化器优化后的模型，从根源上抑制了传统信号分解方法普遍存在的模态混叠问题。

海浪演化过程受气象条件、海底地形、极端天气事件等多因素耦合驱动，模型在各测试站点的预测决定系数均稳定在0.99以上，海浪极值峰值预测偏差大幅降低，在海浪有效波高短期高精度预报领域取得重要进展， 图3 试验观测站点分布与位置示意图 图4 极端天气条件下不同分解策略的预测结果对比 试验结果表明， 研究团队创新性构建了分解?优化?预测一体化智能建模框架（图1），实现高频分量的第二层精细化分解，结果显示，呈现强非线性、高波动性、非平稳性等特征，全程保持超高预报精度，（来源：中国科学院烟台海岸带研究所） 相关论文信息：https://www.sciencedirect.com/science/article/abs/pii/S0029801826020214