آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
میلاد مرادی*1 
، مجید عباسپور1 ، علیرضا طاهری1
، مجید عباسپور1 ، علیرضا طاهری1
1- صنعتی شریف
چکیده: (374 مشاهده)
| این پژوهش با هدف پیشبینی دقیق جریانات سطحی در خلیج فارس انجام شده است. پیشبینی این جریانات به دلایل متعددی از جمله بهبود ناوبری دریایی، مدیریت پایدار منابع شیلاتی، کنترل آلودگیهای نفتی و افزایش اثربخشی عملیات امداد و نجات از اهمیت حیاتی برخوردار است. در این مطالعه، از یک مدل ترکیبی پیشرفته مبتنی بر شبکههای عصبی کانولوشنی (CNN) و حافظه بلندمدت (LSTM) استفاده شده است. دادههای مورد نیاز اعم از سرعت اعمودی و سرعت افقی از مدل HYCOM برای بازه زمانی 2010 تا 2015 با دقت مکانی 8 کیلومتر استخراج شده است.در این معماری، شبکه CNN مسئول استخراج ویژگیهای مکانی و شبکه LSTM عهدهدار تحلیل الگوهای زمانی بوده است. یافتههای تحقیق نشان میدهد که انتخاب بهینه شعاع مکانی دادههای ورودی نقش تعیینکنندهای در دقت پیشبینیها دارد. نتایج حاکی از آن است که با افزایش افق زمانی پیشبینی، نیاز به استفاده از شعاع مکانی بزرگتر بیشتر میشود، اما این افزایش شعاع همواره منجر به بهبود نتایج نمیگردد. خطای پیشبینی در تمامی افقهای زمانی مورد بررسی کمتر از 7.95% (بر اساس معیار میانگین مربعات خطای نرمالشده) بوده است. |
متن کامل [PDF 556 kb]
(67 دریافت)
نکات برجسته مقاله
ارائه یک مدل ترکیبی CNN–LSTM برای پیشبینی جریانات سطحی خلیج فارس.
استفاده از دادههای مدل HYCOM (2010–2015) با تفکیک مکانی ۸ کیلومتر و زمانی ۳ ساعت.
بررسی اثر شعاع مکانی دادههای ورودی بر دقت پیشبینی مدل.
نتایج نشان میدهد برای افقهای کوتاه، دادههای محلی و برای افقهای بلندتر شعاع مکانی بزرگتر مؤثرتر است.
خطای پیشبینی مدل در تمام افقهای زمانی کمتر از 7.95% (NRMSE) به دست آمد.
ارائه یک مدل ترکیبی CNN–LSTM برای پیشبینی جریانات سطحی خلیج فارس.
استفاده از دادههای مدل HYCOM (2010–2015) با تفکیک مکانی ۸ کیلومتر و زمانی ۳ ساعت.
بررسی اثر شعاع مکانی دادههای ورودی بر دقت پیشبینی مدل.
نتایج نشان میدهد برای افقهای کوتاه، دادههای محلی و برای افقهای بلندتر شعاع مکانی بزرگتر مؤثرتر است.
خطای پیشبینی مدل در تمام افقهای زمانی کمتر از 7.95% (NRMSE) به دست آمد.
نوع مطالعه: مقاله پژوهشي |
موضوع مقاله:
شرايط محيطي و زيست محيطي
دریافت: 1404/2/26 | پذیرش: 1405/2/31
دریافت: 1404/2/26 | پذیرش: 1405/2/31
فایل صوتی چکیده مقاله [MP3 2236 KB] (22 دریافت)
فهرست منابع
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]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
International Journal of Maritime Technology is licensed under a
Creative Commons Attribution-NonCommercial 4.0 International License.