Author name | Παύλος Πατσώνης |
---|---|
Title | Correct significant wave height forecasts in the MedSea using U-Nets and satellite measurements / Διόρθωση πρόγνωσεων σημαντικού ύψους κύματος στη Μεσόγειο θάλασσα με χρήση μοντέλων U-Net και δορυφορικών μετρήσεων |
Year | 2024-2025 |
Supervisor | Theodoros Giannakopoulos TheodorosGiannakopoulos |
Marine weather forecasting, particularly significant wave height prediction, is a critical issue for shipping, fisheries, and coastal protection. The problem is characterized by complex, dynamic systems described by nonlinear differential equations, making traditional numerical weather prediction computationally demanding and sometimes insufficiently accurate. This thesis aims to improve the accuracy of significant wave height forecasts in the Mediterranean Sea by leveraging artificial intelligence techniques. Specifically, convolutional neural networks of the U-Net type and the XGBoost machine learning algorithm are employed, trained on numerical model forecasts, satellite observations, and reanalysis data. The U-Net models utilize spatially organized multichannel inputs, combining forecasts and observations on geographical grids, while XGBoost provides an efficient baseline using local features without spatial context.
Model training was performed using advanced computational resources such as Nvidia A100 GPUs via the Google Colab Pro+ platform. Data includes historical forecasts from Copernicus Marine Service, satellite wave height measurements, and reanalysis data serving as ground truth. The methodology involves spatial correction of numerical forecasts through learning from real observations, with separate models trained for each forecast lead time. Key findings demonstrate that U-Net models significantly outperform XGBoost and the initial forecasts across all accuracy metrics, especially for longer lead times. This approach highlights the strong potential of deep neural networks to enhance accuracy and reliability in marine weather forecasting, with practical applications in route optimization and maritime safety.
Περίληψη
Η πρόγνωση των θαλάσσιων καιρικών συνθηκών, και ειδικότερα του σημαντικού ύψους κύματος, αποτελεί κρίσιμο ζήτημα για τη ναυτιλία, την αλιεία, και την ασφάλεια όλων των ανθρωπίνων δραστηριοτήτων στη θάλασσα. Το πρόβλημα χαρακτηρίζεται από πολύπλοκα, δυναμικά συστήματα που περιγράφονται με μη γραμμικές διαφορικές εξισώσεις, καθιστώντας την παραδοσιακή αριθμητική πρόγνωση υπολογιστικά απαιτητική και συχνά ανεπαρκώς ακριβή. Η παρούσα εργασία στοχεύει στη βελτίωση της ακρίβειας των προγνώσεων σημαντικού ύψους κύματος στη Μεσόγειο Θάλασσα, αξιοποιώντας τεχνικές τεχνητής νοημοσύνης και δορυφορικές μετρήσεις. Συγκεκριμένα, χρησιμοποιούνται συνελικτικά νευρωνικά δίκτυα τύπου U-Net και ο αλγόριθμος μηχανικής μάθησης XGBoost, τα οποία εκπαιδεύονται με δεδομένα προγνωστικών αριθμητικών μοντέλων, δορυφορικές παρατηρήσεις και δεδομένα επανάλυσης (reanalysis).
Τα μοντέλα U-Net αξιοποιούν χωρικά πολυκαναλικά δεδομένα, συνδυάζοντας προγνώσεις και παρατηρήσεις σε χωρικά οργανωμένα πλέγματα, ενώ το XGBoost παρέχει ένα αποδοτικό baseline βασισμένο σε τοπικά χαρακτηριστικά χωρίς χωρική πληροφορία. Η εκπαίδευση των μοντέλων πραγματοποιήθηκε με τη χρήση προηγμένων υπολογιστικών πόρων, όπως GPU Nvidia A100 μέσω της πλατφόρμας Google Colab Pro+. Τα δεδομένα περιλαμβάνουν ιστορικές προγνώσεις του Copernicus Marine Service, δορυφορικές μετρήσεις σημαντικού ύψους κύματος, και δεδομένα επανάλυσης που χρησιμεύουν ως ground truth. Η μεθοδολογία προβλέπει τη χωρική διόρθωση των αριθμητικών προγνώσεων μέσω εκμάθησης από πραγματικές παρατηρήσεις, με ξεχωριστά μοντέλα για κάθε χρονικό βάθος πρόγνωσης. Τα κύρια ευρήματα δείχνουν ότι τα U-Net μοντέλα υπερέχουν σημαντικά έναντι του XGBoost και των αρχικών προγνώσεων σε όλους τους δείκτες ακρίβειας, ιδιαίτερα σε μεγαλύτερα χρονικά βάθη. Η προσέγγιση αυτή υποδεικνύει τη μεγάλη δυναμική των βαθιών νευρωνικών δικτύων στην ακρίβεια και αξιοπιστία των θαλάσσιων προγνώσεων, με πρακτικές εφαρμογές στη βελτιστοποίηση δρομολογίων και την ασφάλεια στη ναυτιλία.