Abstract The main objective is to present alternative algorithms to neural networks when improving sea state forecast by numerical models considering main spectral bulk parameters at a specific location, namely significant wave height, peak wave period and peak wave direction. The two alternatives are random forest and gradient boosting trees. To our knowledge, they have never been used for error prediction method. Therefore, their performances are compared with the performances of the usual choice in the literature: neural networks. We showed that the RMSE of the variables updated with gradient boosting trees and random forest are respectively 20 and 10% lower than the RMSE obtained with neural networks. A secondary objective is to show how to tune the hyperparameter values of machine learning algorithms with Bayesian Optimization. This step is essential when using machine learning algorithms and can improve the results significantly. Indeed, after a fine hyperparameter tuning with Bayesian optimization, gradient boosting trees yielded RMSE values in average 8% to 11% lower for the correction of significant wave height and peak wave period. Lastly, the potential benefits of such corrections in real life application are investigated by computing the extreme wave run-up (R2%) at the study site (Biarritz, France) using the data corrected by the different algorithms. Here again, the corrections made by random forest and gradient boosting trees provide better results than the corrections made by neural networks.

中文翻译：

---

使用随机森林和梯度提升树来改进特定位置的波浪预测

摘要 主要目的是在通过考虑特定位置的主要光谱体积参数（即有效波高、峰值波浪周期和峰值波浪方向）的数值模型改进海况预测时，提出神经网络的替代算法。两种选择是随机森林和梯度提升树。据我们所知，它们从未被用于错误预测方法。因此，将它们的性能与文献中通常选择的性能进行比较：神经网络。我们表明，使用梯度提升树和随机森林更新的变量的 RMSE 分别比使用神经网络获得的 RMSE 低 20% 和 10%。第二个目标是展示如何使用贝叶斯优化来调整机器学习算法的超参数值。这一步在使用机器学习算法时必不可少，可以显着改善结果。事实上，在使用贝叶斯优化进行精细的超参数调整后，梯度提升树产生的 RMSE 值平均降低了 8% 到 11%，用于校正显着波高和峰值波周期。最后，通过使用由不同算法校正的数据计算研究地点（法国比亚里茨）的极端波浪爬高 (R2%)，研究了这种校正在现实生活应用中的潜在好处。同样，随机森林和梯度提升树所做的修正比神经网络所做的修正提供了更好的结果。对于显着波高和峰值波周期的校正，梯度提升树产生的 RMSE 值平均低 8% 到 11%。最后，通过使用不同算法校正的数据计算研究地点（法国比亚里茨）的极端波浪爬高 (R2%)，研究了这种校正在现实生活应用中的潜在好处。同样，随机森林和梯度提升树所做的修正比神经网络所做的修正提供了更好的结果。对于显着波高和峰值波周期的校正，梯度提升树产生的 RMSE 值平均低 8% 到 11%。最后，通过使用由不同算法校正的数据计算研究地点（法国比亚里茨）的极端波浪爬高 (R2%)，研究了这种校正在现实生活应用中的潜在好处。同样，随机森林和梯度提升树所做的修正比神经网络所做的修正提供了更好的结果。France) 使用由不同算法校正的数据。同样，随机森林和梯度提升树所做的修正比神经网络所做的修正提供了更好的结果。France) 使用由不同算法校正的数据。同样，随机森林和梯度提升树所做的修正比神经网络所做的修正提供了更好的结果。