#新星杯·14天创作挑战营·第7期#
历史工作：
针对更高细粒度、更高精度的波浪高度预测任务：
Mumtaz Ali 等人提出了一种多元线性回归模型（MLR-CWLS），该模型利用协方差加权最小二乘法（CWLS）优化算法，借助历史波高、波周期、波向、海表面温度等多变量参数，实现对显著波高的准确预测；
T. Sadeghifar 等人提出了一种基于长短期记忆网络（LSTM）的波高预测模型，用于快速精确地预测显著波高，该模型在不同环境条件下的十个站点进行了1小时及6小时的测试，展现了 LSTM 模型在该任务上的巨大潜力；
Shuyi Zhou 等人基于卷积长短期记忆网络（ConvLSTM），建立中国南海、东海的二维显著波高预测模型，使用 WaveWatch III 再分析数据，进行模型训练，实现高精度、高效率的海浪波高预测；
Xinyu Huang 等人提出了一种基于 PatchTST 模型的长时期波浪高度预测方法，该模型通过学习时序数据的演化，高效地预测未来的显著波高变化，优于 Informer、LSTM、NeuralProphet 等深度学习模型；
考虑台风天气下极端波浪的影响，提高极端波高预测精度：
Oleg Gaidai 等人提出了一种用于预测极端风速及波高的可靠方法。该方法结合了可靠性评估技术以及去卷积外推技术，能够处理高维动态系统中的复杂交叉相关响应。通过将风速和波高数据整合为一个统一的响应向量，并利用去卷积技术扩展数据支持域，该方法能够有效预测极端事件；
Yijie Gong 等人提出了一种基于混合机器学习模型的极端台风天气条件下的波浪高度预测方法，该方法结合了混合多层感知器（HMLP）和混合遗传表达编程（HGEP）模型，通过引入开关层来处理时间序列数据，利用海洋气象因素和连续动态时间序列，实现对台风天波高的高精度实时预测；
Pradnya Dixit 等人提出了一种结合离散小波变换和人工神经网络的神经小波技术（NWT），用于预测极端波浪高度（特别是在飓风期间）。该技术通过多级分解处理时间序列数据，提高了对极端事件的预测精度；
