Voorspellingen van stormvloeden verbeterd met hybride windvelden en machine learning modellen

Onderzoeksteam ontwikkelt innovatieve methode voor voorspelling van stormvloeden

Een onderzoeksteam onder leiding van Prof. Mao Miaohua van het Yantai Institute of Coastal Zone Research van de Chinese Academie van Wetenschappen heeft een methode ontwikkeld om stormvloeden te voorspellen. Deze innovatieve aanpak verbetert de kwaliteit van het modelleren van tyfoonwindvelden door gebruik te maken van een hybride windveld.

De onderzoekers hebben vier machine learning (ML) modellen gecreëerd om stormvloeden te voorspellen, wat de nauwkeurigheid van de voorspellingen aanzienlijk verbetert wanneer deze worden geïntegreerd met het Finite Volume Community Ocean Model (FVCOM-ML). Nauwkeurige en tijdige voorspellingen van stormvloeden zijn essentieel voor effectief beheer van kustgebieden en strategieën voor risicoreductie.

De semi-gesloten Bohaizee in de noordwestelijke Stille Oceaan, die historisch gezien minder werd getroffen door tyfoonactiviteiten, heeft recentelijk een verschuiving in de patronen van tyfoonactiviteit ervaren. Daarom zijn betrouwbare voorspellingen van stormvloeden cruciaal voor het beschermen van levens en eigendommen in kustgebieden.

In deze studie is een hybride windveld ontwikkeld door het reanalyseren van het windveld in combinatie met het Holland-model. Het team heeft vier ML-modellen gecreëerd om ontbrekende gegevens te compenseren door gebruik te maken van numerieke simulaties van stormvloeden die zijn uitgevoerd met het Advanced Circulation Model. De integratie van deze methoden verbetert de voorspelling nauwkeurigheid en vermindert onzekerheid door voorspellingen voor stormvloeden te leveren met vooruitlooptijden van 6, 12 en 18 uur in combinatie met FVCOM (FVCOM-ML).

Hoewel er geen significante verschillen zijn in de nauwkeurigheid van de voorspellingen tussen de vier ML-modellen voor voorspellingen van stormvloeden op één locatie en in één stap, neigt de nauwkeurigheid te dalen naarmate de vooruitlooptijd toeneemt. De nauwkeurigheid van de geïntegreerde modellen voor voorspellingen van stormvloeden op één locatie en meerdere stappen is meer dan 30% hoger dan die van de individuele modellen. Bovendien overtreft de voorspellingsprestaties van het geïntegreerde model voor stormvloeden op meerdere locaties aanzienlijk die van enkelvoudige modellen, vooral voor voorspellingen van meerdere locaties en meerdere stappen.

Door ML-technieken te combineren met numerieke modellen tonen FVCOM-CNN-LSTM en FVCOM-ConvLSTM hoge voorspellingscapaciteiten aan. In tegenstelling tot traditionele ML, die uitsluitend vertrouwt op objectieve functies en niet de fysieke principes volgt, simuleert FVCOM-ML residuen die de onzekerheden, die typisch zijn voor conventionele methoden, effectief verminderen. De voorspelling nauwkeurigheid van de ML-modellen in de Baai van Bohai en de Baai van Laizhou overtreft die van de Baai van Liaodong voor stormvloeden.

Vergeleken met enkelvoudige modellen verbeteren de geïntegreerde modellen de nauwkeurigheid van de voorspellingen van stormvloeden in de Bohaizee met 18%. Bovendien kan het gebruik van ML-technieken de kosten die gepaard gaan met voorspellingen van stormvloeden verlagen, waardoor deze modellen zich positioneren als potentiële systemen voor snelle respons bij toekomstige stormvloeden.