海洋是生命的摇篮,对人类的生存和发展具有重要的意义,而海浪作为海洋中最普遍的一种物理现象和全球海洋中含能最高的运动,其有效波高数据是进行与海洋相关的作业活动所必需的信息。为了更好地应对气候系统的变化,以及保障航行和海岸活动的安全,需要对海浪进行精准的模拟和预报。海浪波高的模拟和预报通常采用经验统计和基于物理过程的海浪数值模式等两类方法。经验统计方法的计算速度快,但无法准确刻画出涌浪现象;海浪数值模式是基于海浪的基本物理规律和过程建立的模型,对海浪的模拟和预测较为准确,但是其计算过程是一个5维问题,计算量大,计算速度慢。由此可见,精准且高效的海浪波高模拟和预报仍是目前面临的一个挑战。深度学习的兴起和在地球科学上的广泛应用,为海浪波高的精准和快速预报带来了新的机遇。本文以深度学习算法理论为切入点,针对海浪的物理特征,设计了一种新型的海浪有效波高快速预报模型——OSWave-CNN。主要创新点在于:1.提出了一种新型的经验统计方法;2.设计了全新的卷积神经网络结构;3.改进了模型训练方式;4.实现了对全球尺度下海浪要素的模拟和预报,突破了以往理论研究的空间局限性。本文的主要工作有:选取与海浪相关的全球风场要素作为海浪模拟和预报的输入特征,并对试验数据进行预处理;结合理论与实际需求,设计OSWave-CNN模型的网络结构;建立卷积神经网络模型,并编写算法使其能够稳定地加载到GPU服务器上进行训练,不断调整模型结构和参数,得到较好的模拟和预报结果;从加快模型训练速度和提升模型预报精度等方面,对模型结构及训练算法进行改进与优化。OSWave-CNN模型的结构设计具有以下特点:不采用具有记忆的循环神经网络,避免由于误差的累积而造成结果的偏差;使用连续卷积网络,不含池化层;使用大小为3×3的卷积核进行卷积计算,在减小计算复杂度和减少计算量的同时,带入周边信息,具有涌浪的刻画能力;使用步长为1的same卷积模式,使卷积之后输出的特征图尺寸保持不变;模型深度大于15层,扩大感受野的范围,提取更多的涌浪信息。在模型的改进与优化方面,由原来的数据并行训练方式改进为分布式数据并行训练方式,结合混合精度训练的方法,将模型训练速度加快三倍左右,解决了 GPU负载不均衡的问题,减小了模型的内存占用。同时,采用跨卡同步BN算法、学习率衰减策略以及梯度累加等方法对模型相关算法进行优化,提高了模型预报精度。