Uma abordagem usando redes neurais artificiais para a previsão de curto prazo de altura de ondas marítimas em região portuária

• Vanessa Colla Paspaltzis INPE
• Alan James Peixoto Calheiros INPE

DOI: https://doi.org/10.5753/wcama.2023.230095

Resumo

Este estudo utilizou a rede neural artificial LSTM para previsão de curto prazo da altura de ondas em região portuária, usando dados coletados in situ e de imagens de satélite. Em primeiro momento, foi realizada análise exploratória dos dados e verificada uma associação assíncrona entre altura de ondas, temperatura de brilho do topo das nuvens e intensidade dos ventos na área de estudo (Terminal da Unitapajos). Três experimentos foram realizados variando os parâmetros de entrada da rede neural artificial. Os resultados sugerem que tanto os dados de ventos como de temperatura de brilho no infravermelho podem ser usados como precursores de eventos de altura de ondas mais significativos no local, aumentando a precisão das previsões. No entanto, novos experimentos serão necessários para reduzir erros e gerar previsões com confiabilidade suficiente para as operações portuárias.

Referências

Ahmad, H. (2019). Machine learning applications in oceanography. Aquatic Research, 2(3), 161-169. https://doi.org/10.3153/AR19014

Fan, S., Xiao, N., Dong, S. (2020). A novel model to predict significant wave height based on long short-term memory network. Ocean Engineering, 205, 107298.

Géron, A. (2019). Mãos à Obra: Aprendizado de Máquina com Scikit-Learn TensorFlow. Alta Books.

James, S. C., Zhang, Y., O’Donncha, F. (2018). A machine learning framework to forecast wave conditions. Coastal Engineering, 137, 1-10. https://doi.org/10.1016/j.coastaleng.2018.03.004

Maxwell, A. E., Warner, T. A., Fang, F. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9), 2784-2817.

Milo, T., Somech, A. (2020). Automating exploratory data analysis via machine learning: An overview. In Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data (pp. 2617-2622).

Ramming, H-G., Kowalik, Z. (1980). Numerical Modelling of Marine Hydrodynamics: Applycations to Dynamic Physical Process, Vol. 26, Elsevier, pp. 368.

Schmit, T. J., Griffith, P., Gunshor, M. M., Daniels, J. M., Goodman, S. J., Lebair, W. J. (2017). A closer look at the ABI on the GOES-R series. Bulletin of the American Meteorological Society, 98(4), 681-698. DOI: https://doi.org/10.1175/BAMS-D-15-00230.1

Staudemeyer, R. C., Morris, E. R. (2019). Understanding LSTM–a tutorial into long short-term memory recurrent neural networks. arXiv preprint arXiv:1909.09586.