改进SWAN模式：深度破碎效应对近岸台风浪计算的影响

本研究论文深入探讨了"人工智能-机器学习-深度破碎效应对近岸台风浪计算影响的数值研究"这一主题。论文主要聚焦在改进海洋波浪模拟软件SWAN (Simulating Waves Nearshore) 的算法，特别是在弥散关系的处理上。作者提出了一种新颖的方法，即通过频率计算波数和波长的经验公式，这种方法摒弃了传统的多项式拟合，而是基于对拟合函数特性的系统分析来设计其形式。这种经验公式确保了拟合误差在所有水深和周期条件下小于5%，在无限深水和极端浅水情况下，公式能精确匹配实际函数。 论文的核心改进在于用这个经验公式替代了原有的牛顿法频散关系算法，极大地提高了SWAN在近岸浪-流相互作用研究中的实用性和精度。通过在特定区域，如美国东南海域，应用SWAN模型来研究深度破碎效应对登陆台风（飓风）浪的影响，研究发现深度破碎效应在计算过程中至关重要。忽略这一效应会导致计算出的有效波高显著高于实际观测值，且这种影响在飓风路径两侧存在显著的不对称性。 飓风路径右侧的风浪更多地从深水向浅水传播并增加强度，而左侧的风浪主要从浅水向深水离岸传播，因此飓风右侧风浪的成长更为充分。此外，风浪在右侧主要沿着飓风移动方向传播，有可能进一步受风场驱动增长，而在左侧，部分风浪因传播方向与飓风中心相反而无法持续成长。尽管当前广泛使用的第三代海浪模型如WAM和WAVEWATCH并未包含深度破碎效应，但论文强调，在计算近岸台风浪时，这些模型必须考虑这一效应，并在每个计算步骤中实施，以避免因传播效应导致的计算误差。 论文的关键词包括SWAN海浪模式、深度破碎效应以及飓风浪，表明这项工作旨在提高近岸台风浪预测的准确性，对于海洋工程、灾害预警及沿海防灾管理具有重要意义。通过机器学习和人工智能技术的运用，作者不仅提升了模型的计算效率，也为未来更精细的近岸海洋环境模拟提供了新的思路和技术支撑。