Enter your email address
Submit
Write your message
1- Sharif university
Abstract: (375 Views)
جریانات سطحی اقیانوسی از اجزای اساسی و تأثیرگذار در نظام اقلیمی کره زمین محسوب میشوند. این جریانات بهطور مستقیم بر انتقال گرما، شوری آب، مواد مغذی و گازهای گلخانهای در سراسر اقیانوسها اثر گذاشته و نقش مهمی در تنظیم دمای سطحی زمین و تعادل حرارتی اتمسفر ایفا میکنند (Siedler et al., 2013).در کنار نقش اقلیمی، این جریانات نقش تعیینکنندهای در پایداری اکوسیستمهای دریایی، مهاجرت گونههای دریایی، پراکنش پلانکتونها و شکلگیری مناطق صیادی دارند ((WMO), 2015). همچنین، پدیدههایی چون نوسانات جنوبی النینو (ENSO) و نوسانات اطلس شمالی (NAO) نیز بهشدت تحت تأثیر تغییرات جریانات سطحی هستند و متقابلاً بر آنها تأثیر میگذارند("Unravelling ENSO complexity,")
با توجه به اهمیت فراگیر و چندوجهی جریانات سطحی، تلاش برای پایش، مدلسازی و پیشبینی دقیق آنها همواره مورد توجه جامعه علمی و نهادهای اجرایی بوده است. کاربردهای این پیشبینیها در حوزههایی چون ناوبری دریایی، عملیات امداد و نجات، حفاظت از منابع دریایی، کنترل آلودگی، طراحی سازههای ساحلی و فراساحلی، و مدیریت حوادث دریایی (نظیر نشت نفت یا گمشدن شناورها) بسیار گسترده است .
اگرچه مدلهای عددی و فیزیکی توسعهیافتهای برای شبیهسازی جریانات سطحی وجود دارد، اما در عمل، این مدلها با محدودیتهایی نظیر وابستگی به شرایط اولیه دقیق، پیچیدگی پارامترسازی فرآیندهای فیزیکی، هزینه محاسباتی بالا و عدم قطعیت در شرایط مرزی مواجهاند .
این محدودیتها، بهویژه در مناطق با ویژگیهای دینامیکی خاص، موجب کاهش دقت و کارایی پیشبینیها میشود. یکی از نمونههای بارز این مناطق، خلیج فارس است؛ منطقهای نیمهبسته با ویژگیهای منحصر بهفردی چون دمای بالای آب، تبخیر شدید، شوری بالا، و تبادل محدود با دریای عمان و اقیانوس هند (Rahmstorf, 2003).این شرایط باعث ایجاد الگوهای جریانی پیچیده و ناپایدار شدهاند که پیشبینی آنها را به چالشی علمی تبدیل کردهاند.
علاوه بر این ویژگیهای طبیعی، فعالیتهای گسترده انسانی در خلیج فارس از جمله حملونقل نفتی، بهرهبرداری شیلاتی، تاسیسات فراساحلی و پروژههای توسعهای، لزوم پیشبینی دقیق و بهموقع جریانات سطحی را دوچندان کرده است. دادههای حاصل از مدلهای جهانی مانند HYCOM، اگرچه اطلاعات ارزشمندی را فراهم میکنند، اما بهتنهایی برای تحلیلهای منطقهای دقیق کافی نیستند و نیاز به پردازشهای هوشمند و بهروز دارند.(Wen et al., 2021)
در چنین بستری، هوش مصنوعی به عنوان یکی از ابزارهای نوین در علوم داده و مدلسازی غیرخطی، چشماندازی جدید در پیشبینی پدیدههای پیچیده اقیانوسی گشوده است. هوش مصنوعی، بهویژه با رویکردهای یادگیری ماشین و یادگیری عمیق، قادر است از حجم عظیمی از دادهها، الگوهای پنهان و روابط پیچیده زمانی و مکانی را استخراج کند و در شرایطی که مدلهای سنتی ناکارآمد هستند، پیشبینیهایی دقیق ارائه دهد.(Song et al., 2023; Xu et al., 2021)
در سالهای اخیر، مدلهای مبتنی بر شبکههای عصبی مصنوعی بهطور گستردهای در پیشبینی پدیدههای محیطی و دریایی مورد استفاده قرار گرفتهاند. شبکههایی نظیر پرسپترونهای چندلایه (MLP)، شبکههای بازگشتی (RNN)و بهویژه مدلهای حافظهدار مانند LSTM و GRU، به دلیل توانایی در تحلیل وابستگیهای زمانی ، جایگاه ویژهای در مدلسازی پارامترهایی چون سرعت و جهت جریان، تراز سطح دریا، دمای سطحی و کیفیت آب پیدا کردهاند (Durazo & Baumgartner, 2002; Zandi et al., 2022).
در همین راستا، شبکههای عصبی کانولوشنی (CNN) نیز که برای تحلیل الگوهای فضایی توسعه یافتهاند، در استخراج ویژگیها از دادههای تصویری و ماهوارهای کاربرد فراوانی داشته و بهویژه در تحلیل دادههای مکانی جریانات دریایی عملکرد قابلتوجهی نشان دادهاند (Bayindir, 2019).با توجه به ماهیت پیچیده و چندبعدی پدیدههای اقیانوسی که ترکیبی از ویژگیهای مکانی و زمانی هستند، ترکیب این دو نوع شبکه یعنی CNN و LSTM، بهعنوان یک رویکرد نوین و مؤثر معرفی شده است.
مدل ترکیبی CNN-LSTM ، این امکان را فراهم میکنند که الگوهای فضایی از طریق CNN استخراج شده و سپس تغییرات زمانی آنها از طریق LSTM تحلیل شود. این ساختار ترکیبی، عملکردی بهمراتب دقیقتر نسبت به استفاده منفرد از هر یک از این شبکهها دارد و در تحقیقات متعددی مانند مطالعات (Bayindir, 2019)برتری آن در پیشبینی جریانات سطحی اقیانوس تأیید شده است.
همچنین، در پژوهشهایی نظیر (Baek et al., 2022)، این مدلها در پیشبینی دقیق پارامترهایی نظیر سطح آب و کیفیت آن موفق عمل کردهاند. استفاده از این ساختارهای ترکیبی نه تنها دقت پیشبینیها را افزایش داده، بلکه قابلیت انطباق با دادههای بزرگ، غیرخطی و چندمنظوره را نیز ارتقا بخشیده است.
در مجموع، تلفیق CNN و LSTM با بهرهگیری از قابلیتهای مکمل این دو شبکه، ابزاری توانمند برای تحلیل و مدلسازی پدیدههای دینامیکی دریایی فراهم کرده و میتواند نقش مهمی در مدیریت منابع طبیعی، پیشبینی بحرانهای محیطی و تصمیمگیریهای راهبردی ایفا کند.
در همین راستا، هدف اصلی این پژوهش، پیشبینی جریانات دریایی در بخشی از حوزه خلیج فارس با بهرهگیری از ساختار ترکیبی شبکههای عصبی کانولوشنی (CNN) و حافظهدار بلندمدت (LSTM) است. در این مطالعه تلاش میشود تا ضمن ارزیابی عملکرد این مدل در استخراج الگوهای فضایی-زمانی، بهینهترین رویکرد برای پیشبینی دقیق و مؤثر جریانات سطحی در این منطقه شناسایی و معرفی شود.
با توجه به اهمیت فراگیر و چندوجهی جریانات سطحی، تلاش برای پایش، مدلسازی و پیشبینی دقیق آنها همواره مورد توجه جامعه علمی و نهادهای اجرایی بوده است. کاربردهای این پیشبینیها در حوزههایی چون ناوبری دریایی، عملیات امداد و نجات، حفاظت از منابع دریایی، کنترل آلودگی، طراحی سازههای ساحلی و فراساحلی، و مدیریت حوادث دریایی (نظیر نشت نفت یا گمشدن شناورها) بسیار گسترده است .
اگرچه مدلهای عددی و فیزیکی توسعهیافتهای برای شبیهسازی جریانات سطحی وجود دارد، اما در عمل، این مدلها با محدودیتهایی نظیر وابستگی به شرایط اولیه دقیق، پیچیدگی پارامترسازی فرآیندهای فیزیکی، هزینه محاسباتی بالا و عدم قطعیت در شرایط مرزی مواجهاند .
این محدودیتها، بهویژه در مناطق با ویژگیهای دینامیکی خاص، موجب کاهش دقت و کارایی پیشبینیها میشود. یکی از نمونههای بارز این مناطق، خلیج فارس است؛ منطقهای نیمهبسته با ویژگیهای منحصر بهفردی چون دمای بالای آب، تبخیر شدید، شوری بالا، و تبادل محدود با دریای عمان و اقیانوس هند (Rahmstorf, 2003).این شرایط باعث ایجاد الگوهای جریانی پیچیده و ناپایدار شدهاند که پیشبینی آنها را به چالشی علمی تبدیل کردهاند.
علاوه بر این ویژگیهای طبیعی، فعالیتهای گسترده انسانی در خلیج فارس از جمله حملونقل نفتی، بهرهبرداری شیلاتی، تاسیسات فراساحلی و پروژههای توسعهای، لزوم پیشبینی دقیق و بهموقع جریانات سطحی را دوچندان کرده است. دادههای حاصل از مدلهای جهانی مانند HYCOM، اگرچه اطلاعات ارزشمندی را فراهم میکنند، اما بهتنهایی برای تحلیلهای منطقهای دقیق کافی نیستند و نیاز به پردازشهای هوشمند و بهروز دارند.(Wen et al., 2021)
در چنین بستری، هوش مصنوعی به عنوان یکی از ابزارهای نوین در علوم داده و مدلسازی غیرخطی، چشماندازی جدید در پیشبینی پدیدههای پیچیده اقیانوسی گشوده است. هوش مصنوعی، بهویژه با رویکردهای یادگیری ماشین و یادگیری عمیق، قادر است از حجم عظیمی از دادهها، الگوهای پنهان و روابط پیچیده زمانی و مکانی را استخراج کند و در شرایطی که مدلهای سنتی ناکارآمد هستند، پیشبینیهایی دقیق ارائه دهد.(Song et al., 2023; Xu et al., 2021)
در سالهای اخیر، مدلهای مبتنی بر شبکههای عصبی مصنوعی بهطور گستردهای در پیشبینی پدیدههای محیطی و دریایی مورد استفاده قرار گرفتهاند. شبکههایی نظیر پرسپترونهای چندلایه (MLP)، شبکههای بازگشتی (RNN)و بهویژه مدلهای حافظهدار مانند LSTM و GRU، به دلیل توانایی در تحلیل وابستگیهای زمانی ، جایگاه ویژهای در مدلسازی پارامترهایی چون سرعت و جهت جریان، تراز سطح دریا، دمای سطحی و کیفیت آب پیدا کردهاند (Durazo & Baumgartner, 2002; Zandi et al., 2022).
در همین راستا، شبکههای عصبی کانولوشنی (CNN) نیز که برای تحلیل الگوهای فضایی توسعه یافتهاند، در استخراج ویژگیها از دادههای تصویری و ماهوارهای کاربرد فراوانی داشته و بهویژه در تحلیل دادههای مکانی جریانات دریایی عملکرد قابلتوجهی نشان دادهاند (Bayindir, 2019).با توجه به ماهیت پیچیده و چندبعدی پدیدههای اقیانوسی که ترکیبی از ویژگیهای مکانی و زمانی هستند، ترکیب این دو نوع شبکه یعنی CNN و LSTM، بهعنوان یک رویکرد نوین و مؤثر معرفی شده است.
مدل ترکیبی CNN-LSTM ، این امکان را فراهم میکنند که الگوهای فضایی از طریق CNN استخراج شده و سپس تغییرات زمانی آنها از طریق LSTM تحلیل شود. این ساختار ترکیبی، عملکردی بهمراتب دقیقتر نسبت به استفاده منفرد از هر یک از این شبکهها دارد و در تحقیقات متعددی مانند مطالعات (Bayindir, 2019)برتری آن در پیشبینی جریانات سطحی اقیانوس تأیید شده است.
همچنین، در پژوهشهایی نظیر (Baek et al., 2022)، این مدلها در پیشبینی دقیق پارامترهایی نظیر سطح آب و کیفیت آن موفق عمل کردهاند. استفاده از این ساختارهای ترکیبی نه تنها دقت پیشبینیها را افزایش داده، بلکه قابلیت انطباق با دادههای بزرگ، غیرخطی و چندمنظوره را نیز ارتقا بخشیده است.
در مجموع، تلفیق CNN و LSTM با بهرهگیری از قابلیتهای مکمل این دو شبکه، ابزاری توانمند برای تحلیل و مدلسازی پدیدههای دینامیکی دریایی فراهم کرده و میتواند نقش مهمی در مدیریت منابع طبیعی، پیشبینی بحرانهای محیطی و تصمیمگیریهای راهبردی ایفا کند.
در همین راستا، هدف اصلی این پژوهش، پیشبینی جریانات دریایی در بخشی از حوزه خلیج فارس با بهرهگیری از ساختار ترکیبی شبکههای عصبی کانولوشنی (CNN) و حافظهدار بلندمدت (LSTM) است. در این مطالعه تلاش میشود تا ضمن ارزیابی عملکرد این مدل در استخراج الگوهای فضایی-زمانی، بهینهترین رویکرد برای پیشبینی دقیق و مؤثر جریانات سطحی در این منطقه شناسایی و معرفی شود.
Type of Study: Research Paper |
Subject:
Environmental Study
Received: 2025/05/16 | Accepted: 2026/05/21
Received: 2025/05/16 | Accepted: 2026/05/21
فایل صوتی چکیده مقاله [MP3 2236 KB] (22 Download)
References
1. (WMO), W. M. O. (2015). Status of the Global Observing System for Climate.
2. Baek, S.-S., Pyo, J., & Chun, J. A. (2022). Prediction of Water Level and Water Quality Using
3. Bayindir, C. (2019). Predicting the Ocean Currents using Deep Learning. arXiv preprint. https://arxiv.org/abs/1906.08066
4. Bolaños, R., Sørensen, J. V. T., Benetazzo, A., Carniel, S., & Sclavo, M. (2014). Modelling ocean currents in the northern Adriatic Sea. Continental Shelf Research, 87, 54-72. [DOI:10.1016/j.csr.2014.03.009]
5. Dohan, K. (2017). Ocean surface currents from satellite data. Journal of Geophysical Research: Oceans, 122(4), 2647-2651. [DOI:10.1002/2017JC012961]
6. Durazo, R., & Baumgartner, T. R. (2002). Evolution of oceanographic conditions off Baja California: 1997-1999. Progress in Oceanography, 54(1), 7-31. [DOI:10.1016/S0079-6611(02)00041-1]
7. Rahmstorf, S. (2003). Thermohaline circulation: The current climate. Nature, 421( 6924), 699. [DOI:10.1038/421699a] [PMID]
8. Siedler, G., Grieffies, S., Gould, J., & Church, J. (2013). Ocean Circulation and Climate: A 21st Century Perspective. Academic Press.
9. Song, T., Pang, C., Hou, B., Xu, G., Xue, J., Sun, H., & Meng, F. (2023). A review of artificial intelligence in marine science. Frontiers in Earth Science, 11, Article 1090185. [DOI:10.3389/feart.2023.1090185]
10. Thongniran, N., Vateekul, P., Jitkajornwanich, K., Lawawirojwong, S., & Srestasathiern, P. (2019). Spatiotemporal deep learning for ocean current prediction based on HF radar data. Proceedings of the 16th International Joint Conference on Computer Science and Software Engineering (JCSSE). [DOI:10.1109/JCSSE.2019.8864215]
11. Unravelling ENSO complexity. (2023). Nature Geoscience, 16(2), 105. [DOI:10.1038/s41561-023-01134-1]
12. Wen, J., Yang, J., Jiang, B., Song, H., & Wang, H. (2021). Big data driven marine environment information forecasting: A time series prediction network. IEEE Transactions on Fuzzy Systems, 29(1), 4-18. [DOI:10.1109/TFUZZ.2020.3012393]
13. Xu, L., Chen, N., Chen, Z., Zhang, C., & Yu, H. (2021). Spatiotemporal forecasting in earth system science: Methods, uncertainties, predictability and Earth-Science Reviews, 222, Article 103828. [DOI:10.1016/j.earscirev.2021.103828]
14. Zandi, O., Zahraie, B., Nasseri, M., & Behrangi, A. (2022). Stacking machine learning models versus a locally weighted linear model to generate high-resolution monthly precipitation over a topographically complex area. Atmospheric Research, 272(106159). [DOI:10.1016/j.atmosres.2022.106159]
Send email to the article author
| Rights and permissions | |
 |
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License. |
International Journal of Maritime Technology is licensed under a
Creative Commons Attribution-NonCommercial 4.0 International License.