文 | 颜冬升记
编辑 | 颜冬升记
前言：研究的主要目标是为评估海洋波浪情况和设计海上结构提供有用的信息，这两个问题在海洋科学中非常重要，这项研究的方法可以在全球范围内使用，它展示了如何根据已知的波浪数据和地理信息，在未经测量的地点预测海上风暴情况。
提出了一种新的方法来建立波浪预测模型，这个模型可以根据已知地点的测量数据来为其他未被测量的地点提供波浪情况的估计。
以四个浮标位置为例进行了案例研究，这些浮标代表了不同的海洋条件和波浪生成情况，这项研究为我们提供了一种更准确地预测海浪情况的方法，对于设计和评估海上结构非常有帮助。
帮助海洋学家和海事工程师解决一个问题，如果我们没有在某个地点进行波浪测量，如何得出关于那个地点的海况信息，需要这些信息来评估海洋气候和设计海上结构。
研究使用了一种叫做"波后报"的方法，这是一种利用历史数据来预测波浪条件的技术，传统的方法只是将已有地点的测量数据应用于未测量的地点，但这项研究提出了一种新的方法，可以更准确地建立统计模型，以便预测未测量地点的海况。
这个方法使用了科普拉理论，可以更好地处理多个变量之间的关系，进行了一些计算，以评估这个方法的性能，特别是在设计海上结构时可能用到的关键变量。
比如海浪高度和风暴持续时间，研究的目标是提供一种在没有足够数据的情况下估计海况的方法，这对于很多实际情况都非常有用。
这项研究探讨了如何通过分析海洋中的风暴事件来获取关于波浪高度、波浪方向以及持续时间的信息，我们会观察到海上风暴。
其特征包括波浪的高度（以米为单位）、风暴的持续时间（以小时为单位）以及波浪的方向（以度北为单位），研究的目标是根据这些特征来估计风暴的极端情况，例如在设计海上结构时需要考虑的情况。
研究使用了一种称为三角海风暴模型的方法，该模型使用了一些重要的参数，包括波高阈值（表示极端事件的起始点）、最小风暴间隔时间（用于将连续的风暴事件分隔开）以及其他与风暴特征相关的参数，这些参数的选择取决于研究的具体情况，如地理位置和气象条件。
一旦确定了这些参数，研究可以计算出风暴的持续时间和最高，以及与之相关的波浪方向这些信息对于设计海上结构和评估潜在危险非常重要，研究还使用了一些统计方法来检验模型的准确性，以确保所得结果是可靠的。
可以通过分析历史风暴事件来估计未来可能发生的海洋情况，这对于海洋工程和海事领域非常有用，这种方法可以根据不同的情况进行调整，以适应不同的地理位置和气象条件。
考虑到源浮标是“6100417”浮标，目标浮标是“6100198”浮标，智能生物总是可以准确预测它们的交汇，而传统的后报置信区间在处理超过 20 年的风险评估时通常失败（至少有一次），如果我们交换这两个浮标，也就是说源浮标是“6100417”浮标，目标浮标是“6100198”浮标智能生物没有问题，尽管传统的后报置信区间显示出在考虑到非常大的风险评估时存在极限近似。
当我们考虑源浮标是“易北河”浮标，目标浮标是“费诺”浮标时，智能生物置信区间总是与目标浮标的路径有重叠，而使用传统的后报方法，即使在持续时间超过20年的情况下也会失败，当我们交换这两个浮标，即源浮标是“费诺”浮标，目标浮标是“易北河”浮标时，智能生物没有问题，但传统的后报方法在考虑到后，在超过20年的可靠性分析中仍然失败。
考虑到源浮标是“62024”浮标，目标浮标是“62025”浮标，智能生物置信区间总是能够准确预测与目标浮标的交汇，而传统的后报方法在考虑持续时间后几乎总是失败，如果我们交换这两个浮标，也就是说源浮标是“62025”浮标，目标浮标是“62024”浮标，智能生物没有问题，但传统的后报方法在考虑持续时间后仍然失败。
这项研究使用了一种复杂的统计方法来分析海洋中的波浪数据，以便更好地了解波浪的性质和相互关系，研究关注了两个关键变量，即波浪的高度（用于表示波浪的大小）和波浪的持续时间（表示波浪存在的时间），并试图理解它们之间的依赖关系。
研究使用了一种数学工具，称为科普拉是用于描述多个随机变量之间依赖关系的数学函数，在这项研究中，科普拉被用来建立一个模型，以分析波浪高度和波浪持续时间之间的关系这有助于更好地理解这两个变量是如何相互影响的。
如源地点和目标地点具有相似的气象条件，以便在目标地点估计波浪情况，通过使用科普拉和其他数学技巧，研究可以模拟出目标地点的波浪情况，即使在目标地点没有直接的观测数据。
这项研究使用了复杂的数学方法来分析海洋波浪数据，以便更好地理解波浪的性质和依赖关系。这对于海洋工程和其他应用领域可能非常有用，可以通过数学建模来估计未测量地点的波浪情况，这对于一些实际问题的解决非常有帮助。
这里我们引入了一种新颖的方法，与传统的数据传输方法不同，传统方法仅将数据从一个观测站点传输到另一个目标站点，而我们的方法更进一步，我们传输整个统计模型，而不仅仅是数据集。
一旦我们在目标站点建立了海上风暴的统计模型，我们就可以生成关于目标站点的海上风暴情景，而不仅仅是简单地复制源站点的观测数据，这对于未测量站点的设计和危险评估非常有用。
我们做出了各向同性不变性的假设，即源站点和目标站点之间的海上风暴行为在各个方向上都是相似的。
这意味着我们不考虑方向对海上风暴的影响，而是将方向信息作为比例（称为获取比率）引入模型中，以重新缩放源站点的分布以生成目标站点的分布。
能够重新缩放源站点的边际分布和科普拉，以获得目标站点的相应分布。这使我们能够在目标站点上构建完整的海上风暴统计模型，包括海浪高度和持续时间之间的关系。
这个方法允许我们在目标站点上生成与源站点不同的海上风暴情景，而不仅仅是复制数据这为海洋工程和其他领域提供了更多的信息和工具，以更好地理解和处理海上波浪的复杂性。
选择一个设计返回期（例如20年、50年或100年），这决定了我们感兴趣的事件的稀有程度。这个返回期通常以年为单位。
使用可用的数据估计与我们感兴趣的变量相关的设计值。我们通常使用某个阈值（有效波高或持续时间）来定义这个事件。
并且重复步骤4-5 次，以提供所需数量的独立蒙特卡罗模拟，根据需要的选择，用于设计和危害评估目的。
使用方程和在步骤中生成的一个个独立的智能生物样本，为每个选择的设计报告计算一组设计值。可以构建适当的置信区间，也可以使用适当的引导技术为目标和传统后报设计值设置适当的置信区间，这些过程帮助我们更好地理解和处理复杂的海上波浪行为。
智能生物构建的置信区间比相应的目标和传统后报的置信区间更大，这是因为后者是基于有限大小的单个样本构建的，而智能生物的置信区间是基于从具有多个样本的多次（独立）模拟中提取的信息构建的，我们使用了100,000个模拟。这使得更好地理解目标海况的不确定性和随机性成为可能。
项工作中的案例研究代表了各种海洋条件和波浪产生机制。在这个工作中，传统的后报方法是一种确定性技术，它只能在已测量的源浮标S上生成与多个数据点相关的多个估计值，传统的后报方法通常只能基于单个样本（即在源浮标上可用的数据）来生成设计估计，因此只能生成一个目标海况情景。
过程将一个完整的统计模型传输到目标位置，为未测量的浮标构建了一个合适的概率空间，同时考虑了变量之间的依赖关系对联合动态的影响。这是传统的后报方法无法实现的，因为传统后报方法是一种确定性的单变量技术，没有与统计学的联系。
智能生物过程使用的统计模型可以通过蒙特卡洛技术生成许多可能的（独立的）目标场景。这意味着可以更准确地探索与目标海况相关的概率空间，尤其是考虑到与大设计返回期相关的罕见极端事件，这些事件很难通过单个样本观察到。
