Predicción del nivel del agua de la marea de tormenta basada en métodos de aprendizaje automático
Autores: Liu, Yun; Zhao, Qiansheng; Hu, Chunchun; Luo, Nianxue
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Predicción del nivel del agua de la marea de tormenta basada en métodos de aprendizaje automático
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Marea de tempestad
Predicción
Modelo ConvLSTM
Métodos de aprendizaje automático
Nivel del agua
Gestión de desastres
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Los desastres por marejadas ciclónicas resultan en severas pérdidas humanas y económicas. La predicción precisa del nivel del agua de la marejada ciclónica es crucial para la evaluación de desastres, la alerta temprana y la gestión efectiva de desastres. Los métodos de aprendizaje automático son relativamente más eficientes y sencillos en comparación con los enfoques de simulación numérica. Sin embargo, la mayoría de la investigación actual sobre la predicción del nivel del agua de la marejada ciclónica basada en métodos de aprendizaje automático se centra principalmente en predicciones puntuales. En este estudio, exploramos la viabilidad de la predicción espacial del nivel del agua utilizando el modelo ConvLSTM. Nos enfocamos en el área costera de la provincia de Guangdong y empleamos el software MIKE21(2019) para simular tifones históricos que han tocado tierra en la región desde 1991 hasta 2018. Construimos dos conjuntos de datos: uno para la predicción directa del nivel del agua y otro para la predicción indirecta del nivel del agua basada en cambios en el nivel del agua. Utilizando la red ConvLSTM, la empleamos para pronosticar marejadas ciclónicas en ambos conjuntos de datos, capturando efectivamente tanto las características temporales como espaciales y asegurando así la producción de resultados confiables. Al predecir directamente los niveles de agua, logramos un MAE (error absoluto medio) de 0.026 m y un MSE (error cuadrático medio) de 0.0038 m. En contraste, el enfoque de predicción indirecta arroja resultados aún más prometedores, con un MAE de 0.014 m y un MSE de 0.0007 m. En comparación con los métodos tradicionales de simulación numérica, el enfoque basado en ConvLSTM es más simple, rápido y capaz de predecir niveles de agua con precisión sin condiciones de contorno o topografías. Además, consideramos escenarios de peor caso al predecir el valor máximo de aumento del agua utilizando el modelo de bosque aleatorio. Nuestros resultados indican que el modelo de bosque aleatorio puede servir como una referencia valiosa para pronosticar el valor máximo de aumento del agua de las marejadas ciclónicas de tifones, apoyando respuestas efectivas de emergencia ante desastres.
Descripción
Los desastres por marejadas ciclónicas resultan en severas pérdidas humanas y económicas. La predicción precisa del nivel del agua de la marejada ciclónica es crucial para la evaluación de desastres, la alerta temprana y la gestión efectiva de desastres. Los métodos de aprendizaje automático son relativamente más eficientes y sencillos en comparación con los enfoques de simulación numérica. Sin embargo, la mayoría de la investigación actual sobre la predicción del nivel del agua de la marejada ciclónica basada en métodos de aprendizaje automático se centra principalmente en predicciones puntuales. En este estudio, exploramos la viabilidad de la predicción espacial del nivel del agua utilizando el modelo ConvLSTM. Nos enfocamos en el área costera de la provincia de Guangdong y empleamos el software MIKE21(2019) para simular tifones históricos que han tocado tierra en la región desde 1991 hasta 2018. Construimos dos conjuntos de datos: uno para la predicción directa del nivel del agua y otro para la predicción indirecta del nivel del agua basada en cambios en el nivel del agua. Utilizando la red ConvLSTM, la empleamos para pronosticar marejadas ciclónicas en ambos conjuntos de datos, capturando efectivamente tanto las características temporales como espaciales y asegurando así la producción de resultados confiables. Al predecir directamente los niveles de agua, logramos un MAE (error absoluto medio) de 0.026 m y un MSE (error cuadrático medio) de 0.0038 m. En contraste, el enfoque de predicción indirecta arroja resultados aún más prometedores, con un MAE de 0.014 m y un MSE de 0.0007 m. En comparación con los métodos tradicionales de simulación numérica, el enfoque basado en ConvLSTM es más simple, rápido y capaz de predecir niveles de agua con precisión sin condiciones de contorno o topografías. Además, consideramos escenarios de peor caso al predecir el valor máximo de aumento del agua utilizando el modelo de bosque aleatorio. Nuestros resultados indican que el modelo de bosque aleatorio puede servir como una referencia valiosa para pronosticar el valor máximo de aumento del agua de las marejadas ciclónicas de tifones, apoyando respuestas efectivas de emergencia ante desastres.