پیش یابی ارتفاع امواج خلیج مکزیک با استفاده از شبکه عصبی و تبدیل موجک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکتری فیزیک دریا، دانشگاه علوم و فنون دریایی خرمشهر ، دانشکده علوم دریایی

2 دانشیار فیزیک دریا، دانشگاه مازندران، دانشکده علوم دریایی و محیطی

3 استادیار مهندسی برق، دانشگاه مازندران، دانشکده مهندسی برق

4 استادیار فیزیک دریا، دانشگاه علوم و فنون دریایی خرمشهر

چکیده

پیش بینی امواج دریا نظیر ارتفاع و دوره تناوب موج از ضروری ترین نیازهای اطلاعاتی مرتبط با محیط دریا است. در مقاله حاضر ارتفاع امواج خلیج مکزیک توسط تبدیل ویولت به زیرسطح های مختلف تقریب و جزئیات تجزیه شده و با استفاد هاز مدل شبکه عصبی مصنوعی به پیش بینی ارتفاع امواج 3، 6 ، 8 و 12 ساعت آینده پرداخته شده است. مقایسه داده های واقعی اندازه گیری شده توسط بویه 42036 با نتایج حاصل از پیش بینی شبکه عصبی، نشان داد که موجک پایه کویفلت با تعداد 5 زیر سطح و موجک پایه دمی با تعداد 6، 6 و 7 زیر سطح برای پیش بینی ارتفاع امواج به ترتیب در 6، 8 و 12 ساعت آینده مناسب می باشند. سپس پارامترهای هواشناسی فشارهوا، اختلاف دمای هوا و آب، جهت باد، سرعت باد نیز به عنوان ورودی مدل افزوده شدند. با این روش مشخص گردید که پارامترهای جهت باد و اختلاف دمای هوا و آب تاثیری در افزایش دقت پیش بینی ندارند و با اضاقه نمودن سرعت باد و فشار هوا ثبت شده کنونی دقت پیش بینی نسبت به حالتی که تنها از زیرسطح های تجزیه شده استفاده می شود اضافه می یابد. در انتها مقادیر پیش بینی شده ارتفاع موج توسط مدل با مقادیر اندازه گیری شده در زمان رخداد هاریکن های هرمین ، کولین و متیو در سال 2016 مورد ارزیابی قرار گرفته شد و نتیجه نشان داد که در زمان رخداد هاریکن های هرمین و کولین دقت پیش بینی مدل کاهش قابل توجهی دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Forecasting the wave height of the Gulf of Mexico using wavelet neural network

نویسندگان [English]

  • homayoon ahmadvand 1
  • Mohammad Akbarinsab 2
  • iman ‪Iman Esmaili Paeen Afrakoti‬ 3
  • Mohammad Ali Najarpoor 4
1 Faculty of Marine Sciences and Oceanography, Khorramshahr university of Marine science and technology, Khorramshahr
2 Faculty of Marine Sciences, University of Mazandaran, Babolsar
3 Faculty of Electrical Engineering, Mazandaran University, Babolsar
4 marine Faculty of Marine Sciences and Oceanography, Khorramshahr university of Marine science and thechnology, Khorramshahr
چکیده [English]

Predicting factors like height and frequency of the waves in seas is one of the most essential information needed in the marine environment. In the present paper, the height of the waves in the Gulf of Mexico were analyzed by transforming wavelet into different sub-levels of approximation and details; and the wave height of the upcoming 3, 6, 8 and 12 hours lead time was predicted by artificial neural network. By comparing the real data measured by Buoy with the results of neural network prediction, it was found that coif(5) with 5 subsurface for 3 lead times and 6 Dmey wavelets with 6 and 7 subsurface are appropriate for predicting wave heights for 6, 8 and 12 lead times respectively. Then the meteorological parameters of air pressure, air and water temperature variation, wind direction, and wind speed were also added as model inputs. With this method, it was inferred that the parameters of wind direction and the variation in air and water temperature have no effect on the forecast accuracy. And by adding the current recorded wind speed and air pressure, the forecast accuracy increased compared to the case where only the decomposed subsurface was used. Finally, the predicted values of wave height at the time of the occurrence of Hermine, Choline and Matthew hurricanes in 2016 were evaluated and the results showed that at the time of the occurrence of Hermine and Choline hurricanes, the prediction accuracy of the model was significantly reduced.

کلیدواژه‌ها [English]

  • Gulf of Mexico
  • artificial neural network
  • wavelet transform
  • hurricane

مراجع

[1] Khalilabadi MR. The effect of meteorological events on sea surface height variations along the northwestern Persian Gulf. Current Science (00113891). 2016 Jun 10;110(11).
[2] Khalilabadi MR, Mansouri D. Effect of super cyclone “GONU” on sea level variation along Iranian coastlines.Indian journal of Geo Marine sciences.2013;42(4):470-75.
[3] Wang H, Yang J, Zhu J, Ren L, Liu Y, Li W, Chen C. Estimation of significant wave heights from ASCAT scatterometer data via deep learning network. Remote Sensing. 2021 Jan 8;13(2):195.
[4] Etemad-Shahidi A, Kazeminezhad MH, Mousavi SJ. On the prediction of wave parameters using simplified methods. Journal of Coastal Research. 2009 Jan 1:505-9.
[5] Akpinar A, Özger M, Bekiroglu S, Komurcu MI. Performance evaluation of parametric models in the hindcasting of wave parameters along the south coast of Black Sea. 2014;43(6):905-20.
[6] Wang W, Tang R, Li C, Liu P, Luo L. A BP neural network model optimized by mind evolutionary algorithm for predicting the ocean wave heights. Ocean Engineering. 2018 Aug 15;162:98-107.
[7] Etemad-Shahidi A, Mahjoobi J. Comparison between M5′ model tree and neural networks for prediction of significant wave height in Lake Superior. Ocean Engineering. 2009 Nov 1;36(15-16):1175-81.
[8] LeCun Y, Bengio Y, Hinton G. Deep learning. nature. 2015 May 28;521(7553):436-44.
[9] DeVries PM, Thompson TB, Meade BJ. Enabling large‐scale viscoelastic calculations via neural network acceleration. Geophysical Research Letters. 2017 Mar 28;44(6):2662-9.
 [10] Goodfellow I, Bengio Y, Courville A, Bengio Y. Deep learning. MS: MITPress. 2016.
[11] Li M, Liu K. Probabilistic prediction of significant wave height using dynamic Bayesian network and information flow. Water. 2020 Jul 22;12(8):2075.
[12] Fan S, Xiao N, Dong S. A novel model to predict significant wave height based on long short-term memory network. Ocean Engineering. 2020 Jun 1;205:107298.
[13] Shamshirband S, Mosavi A, Rabczuk T, Nabipour N, Chau KW. Prediction of significant wave height; comparison between nested grid numerical model, and machine learning models of artificial neural networks, extreme learning and support vector machines. Engineering Applications of Computational Fluid Mechanics. 2020 Jan 1;14(1):805-17.
[14] Dai H, Shang S, Lei F, Liu K, Zhang X, Wei G, Xie Y, Yang S, Lin R, Zhang W. CRBM-DBN-based prediction effects inter-comparison for significant wave height with different patterns. Ocean Engineering. 2021 Sep 15;236:109559.
[15] Londhe SN, Shah S, Dixit PR, Nair TB, Sirisha P, Jain R. A coupled numerical and artificial neural network model for improving location specific wave forecast. Applied Ocean Research. 2016 Sep 1;59:483-91.
[16] James SC, Zhang Y, O'Donncha F. A machine learning framework to forecast wave conditions. Coastal Engineering. 2018 Jul 1;137:1-0.
[17] Dixit P, Londhe SN, Dandawate YH. WAve forecasting using neuro wavelet technique. The International Journal of Ocean and Climate Systems. 2014 Dec;5(4):237-47.
[18] Dixit P, Londhe S. Prediction of extreme wave heights using neuro wavelet technique. Applied Ocean Research. 2016 Jun 1;58:241-52.
]19[ رجایی طاهر، شهابی اکبر. کاربرد مدل ترکیبی موجک-شبکه عصبی در پیش‌بینی تغییرات کوتاه مدت تراز سطح دریا (مطالعه موردی: بندر چابهار). دریا فنون. 1393؛1(2):42-53.‎
]20[ محمودی کیومرث، کتابداری محمدجواد، قاسمی حسن. استفاده از روش ترکیبی موجک-ماشین بردار پشتیبان برای پیش‌بینی وقوع امواج غیرعادی. نشریه هیدرولیک. 1397؛13(1):1-5.
[21] Mohammed J. Artificial neural network for predicting global sub-daily tropospheric wet delay. Journal of Atmospheric and Solar-Terrestrial Physics. 2021 Jun 1;217:105612.
 [22] Olawoyin A, Chen Y. Predicting the future with artificial neural network. Procedia computer science. 2018 Jan 1;140:383-92.
[23] Beale MH, Hagan MT, Demuth HB. Neural network toolbox. User’s Guide, MathWorks. 2010;2:77-81.
[24] Doucoure B, Agbossou K, Cardenas A. Time series prediction using artificial wavelet neural network and multi-resolution analysis: Application to wind speed data. Renewable Energy. 2016 Jul 1;92:202-11.
 ]25[ یونسیان داوود، ولیخانی محمد. تبدیل موجک. انتشارات دانشگاه علم و صنعت ایران. 1394، چاپ اول.
[26] Tropical Storm Colin  [Internet]. 2016 [cited 2016 June]. Available from: https://en.wikipedia.org/wiki/Tropical_Storm_Colin_(2016)
[27] NOAA. National  Data  Buoy  Center [Internet]. 2014 [cited 2014 March]. Available from: https://www.ndbc.noaa .gov/
[28] Wikipedia [Internet]. 2017. Available from: https:// en.wikipedia.org/wiki/2016_Atlantic_ hurricane_ season
[29] Robbie, J. Tropical Cyclone Report: Hurricane Hermine (Technical report) [Internet].2017 [updated 2017 May 12; cited 2017 May 12]. Available from: https://www.nhc.noaa.gov/data/tcr/AL092016_Herm
ine.pdf
[30] Andrew, S. Latto and John P, Cangialosi. Tropical Storm Colin [Internet].2022 [cited 2022 July]. Available from: https://www.nhc.noaa.gov/data/tcr/AL032022_Colin.pdf
[31] Dixit P, Londhe S. Prediction of extreme wave heights using neuro wavelet technique. Applied Ocean Research. 2016 Jun 1;58:241-52.
[32] Shahabi S, Khanjani MJ, Hessami Kermani M. Hybrid wavelet-GMDH model to forecast significant wave height. Water Science and Technology: Water Supply. 2016 Apr;16(2):453-9.
[33] Li M, Liu K. Probabilistic prediction of significant wave height using dynamic Bayesian network and information flow. Water. 2020 Jul 22;12(8):2075.
 [34] Kamranzad B, Etemad-Shahidi A, Kazeminezhad MH. Wave height forecasting in Dayyer, the Persian Gulf. Ocean engineering. 2011 Jan 1;38(1):248-55.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار