توضیحات
ABSTRACT
We propose the use of machine learning techniques in the Bayesian framework for the prediction of tidal currents. Computer algorithms based on the classical harmonic analysis approach have been used for several decades in tidal predictions, however the method has several limitations in terms of handling of noise, expressing uncertainty, capturing non-sinusoidal, non-harmonic variations. There is a need for principled approaches which can handle uncertainty and accommodate noise in the data. In this work, we use Gaussian processes, a Bayesian nonparametric machine learning technique, to predict tidal currents. The probabilistic and non-parametric nature of the approach enables it to represent uncertainties in modelling and deal with complexities of the problem. The method makes use of kernel functions to capture structures in the data. The overall objective is to take advantage of the recent progress in machine learning to construct a robust algorithm. Using several sets of field data, we show that the machine learning approach can achieve better results than the traditional approaches.
INTRODUCTION
Tidal waves are produced by changes in the gravitational forces of the sun and the moon. Prediction of tidal currents are necessitated by practical requirements like navigation, protection from flooding, coastal management to recent developments of energy extraction. Theoretical understanding of the tidal phenomenon began with Newton pioneering the gravitational theory and then later, Laplace deriving the expression for the tidal potential. There have been many advances in methodologies for tidal analysis since then. The most widely used method is that of the harmonic analysis (HA), where the observed tidal variations are considered as a resultant of various periodic components of known frequencies, with the amplitudes and phases determined using the leastsquares fitting procedure. Computer codes based on HA have been used for decades for the prediction of tidal heights (1-D) and currents (2- D). Over the years various advances have been made to HA approach [see e.g. Pawlowicz et al., 2002; Foreman et al., 2009; Leffler and Jay, 2009]. Other techniques include tidal spectroscopy (Munk and Cartwright, 1966), and response method for unified tide and surge prediction (Cartwright, 1968), however they have not been widely adopted. HA has been extensively used in the analysis of stationary tidal (height) records, providing insights into the tidal dynamics.
چکیده
ما پیشنهاد استفاده از تکنیک های یادگیری ماشین را در چارچوب بیزی برای پیش بینی جریان های جزر و مدی پیشنهاد می کنیم. الگوریتم های کامپیوتری بر اساس روش تجزیه و تحلیل هارمونیک کلاسیک برای چندین دهه در پیش بینی های جزر و مدی استفاده شده است، با این حال این روش دارای محدودیت های متعددی در زمینه دست زدن به نویز، بیان عدم قطعیت، گرفتن غیر سینوسی و غیر سازگاری است. نیاز به رویکرد اصولی وجود دارد که می تواند عدم اطمینان را حل کند و نویز را در داده ها جای دهد. در این کار ما از فرآیندهای گاوسی، یک روش یادگیری ماشین غیر پارامتری Bayesian استفاده می کنیم تا جریانهای جزر و مدی را پیش بینی کنیم. ماهیت احتمالی و غیر پارامتری رویکرد آن را قادر می سازد تا نشان دهنده عدم قطعیت در مدل سازی و مقابله با پیچیدگی های این مشکل باشد. این روش از توابع هسته برای ساختن ساختار در داده استفاده می کند. هدف کلی این است که از پیشرفت اخیر در یادگیری ماشین برای استفاده از یک الگوریتم قوی استفاده کنید. با استفاده از چند مجموعه داده های زمینه، ما نشان می دهیم که روش یادگیری ماشین می تواند نتایج بهتر از رویکردهای سنتی به دست آورد.
مقدمه
امواج جزر و مدی با تغییرات نیروهای گرانشی خورشید و ماه تولید می شوند. پیش بینی جریانهای جزر و مدی با الزامات عملی مانند ناوبری، حفاظت از سیل، مدیریت ساحلی تا پیشرفت های اخیر استخراج انرژی ضروری است. درک نظری از پدیده جزر و مد با نیوتن پیشگام تئوری گرانشی آغاز شد و سپس لاپلاس بیان پتانسیل های جزر و مدی را به دست آورد. از آن به بعد، پیشرفتهای زیادی در روش شناسی برای تجزیه و تحلیل جزر و مد وجود داشته است. شایع ترین روش آن این است که تجزیه و تحلیل هارمونیک (HA)، جایی که مشاهدات جزر و مدی مشاهده شده به عنوان نتیجه از اجزای دوره ای مختلف فرکانس های شناخته شده در نظر گرفته شده است، با دامنه و فاز تعیین شده با استفاده از روش ledsquares مناسب است. کدهای کامپیوتری بر مبنای HA برای دهه های پیش بینی برای ارتفاع های جزر و مد (1-D) و جریان (2- D) استفاده شده است. در طول سالها، پیشرفتهای مختلفی در رابطه با HA صورت گرفته است (به عنوان مثال Pawlowicz و همکاران، 2002؛ Foreman و همکاران، 2009؛ لفلر و جی، 2009]. تکنیک های دیگر شامل طیف سنجی جزر و مدی (Munk and Cartwright، 1966) و روش پاسخ برای پیش بینی جریان جزر و مدی و متحرک (Cartwright، 1968)، با این حال آنها به طور گسترده ای پذیرفته نشده اند. HA به طور گسترده ای در تجزیه و تحلیل رکورد های ثابت (ارتفاع) مورد استفاده قرار گرفته است و بینش های مربوط به دینامیک جزر و مد را ارائه می دهد.
Year: 2018
Publisher : ELSEVIER
By : Dripta Sarkar , Michael A. Osborne, Thomas A.A. Adcock
File Information: English Language/ 11 Page / size: 3.63 MB
سال : 1396
ناشر : ELSEVIER
کاری از : Dripta Sarkar، مایکل A. Osborne، توماس A.A. آدکاک
اطلاعات فایل : زبان انگلیسی / 11 صفحه / حجم : MB 3.63
نقد و بررسیها
هنوز بررسیای ثبت نشده است.