Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment

Tablas de mareas son el método escogido generalmente para la predicción del nivel del agua en regiones costeras. Sin embargo, para muchas localidades en la costa del Golfo de México, las tablas de mareas no satisfacen las normas del Servicio Nacional Oceánico de los Estados Unidos (NOS, por sus sigl...

Descripción completa

Detalles Bibliográficos
Autores principales:	Bowles, Zack, Tissot, Philippe E., Michaud, Patrick, Sadovski, Alexey
Formato:	Online
Idioma:	spa
Publicado:	Universidad de Costa Rica, Centro de Investigación en Matemática Pura y Aplicada (CIMPA) 2005
Acceso en línea:	https://revistas.ucr.ac.cr/index.php/matematica/article/view/258

id	RMTA258
record_format	ojs
institution	Universidad de Costa Rica
collection	Revista de Matemática: Teoría y Aplicaciones
language	spa
format	Online
author	Bowles, Zack Tissot, Philippe E. Michaud, Patrick Sadovski, Alexey
spellingShingle	Bowles, Zack Tissot, Philippe E. Michaud, Patrick Sadovski, Alexey Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment
author_facet	Bowles, Zack Tissot, Philippe E. Michaud, Patrick Sadovski, Alexey
author_sort	Bowles, Zack
description	Tablas de mareas son el método escogido generalmente para la predicción del nivel del agua en regiones costeras. Sin embargo, para muchas localidades en la costa del Golfo de México, las tablas de mareas no satisfacen las normas del Servicio Nacional Oceánico de los Estados Unidos (NOS, por sus siglas en inglés). La fuerza del viento ha sido reconocida como la principal variable no incluida. El rendimiento de las tablas de mareas es particularmente pobre en aguas poco profundas. Investigaciones recientes han mosrado que los modelos de redes de neuronas artificiales (ANN, por sus siglas en inglés) que incluyen variables de entrada como niveles previos de agua, previsiones de mareas, velocidad del viento, dirección del viento, predicción del viento, y presión atmosférica, pueden mejorar en gran medida los gráficos de mareas para localizaciones que incluyen mar abierto y aguas profundas. En este artículo, la técnica de modelación de ANN es aplicada a una estación de aguas poco profundas, la estación de Rockport, localizada cerca de Corpus Christi, Texas. El rendimiento del modelo ANN es comparado contra los gráficos de mareas NOS y el modelo de persistencia para los años 1007 a 2001. El rendimiento es medido usando los criterios NOS, que incluyen Frecuencia Central (FC de 15 cm), Máxima Duración de Puntos Atípicos Positivos (MNPO), y Máxima Duración de Puntos Atípicos Necagativos (MDNO). Sobre el período de estudio, el rendimiento de los tres modelos (tabla de mareas, persistencia, ANN) son, respectivamente, CF de 85%, 95.8% y 96.9%, para MDPO es 16, 14 y 5.9 horas, y para MDNO es de 72.8, 0.6 y 0.5 horas.
title	Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment
title_short	Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment
title_full	Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment
title_fullStr	Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment
title_full_unstemmed	Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment
title_sort	artificial neural network predictions of water levels in a gulf of mexico shallow embayment
title_alt	Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment
publisher	Universidad de Costa Rica, Centro de Investigación en Matemática Pura y Aplicada (CIMPA)
publishDate	2005
url	https://revistas.ucr.ac.cr/index.php/matematica/article/view/258
work_keys_str_mv	AT bowleszack artificialneuralnetworkpredictionsofwaterlevelsinagulfofmexicoshallowembayment AT tissotphilippee artificialneuralnetworkpredictionsofwaterlevelsinagulfofmexicoshallowembayment AT michaudpatrick artificialneuralnetworkpredictionsofwaterlevelsinagulfofmexicoshallowembayment AT sadovskialexey artificialneuralnetworkpredictionsofwaterlevelsinagulfofmexicoshallowembayment
_version_	1811744068753948672
spelling	RMTA2582022-01-20T15:57:30Z Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment Bowles, Zack Tissot, Philippe E. Michaud, Patrick Sadovski, Alexey Neural networks predictions Water level Texas Coastal Ocean Observation Network Gulf of Mexico harmonic analysis tide charts persistence model forecasts neuronales predicciones nivel del agua Red de Observación Oceánica de la Costa de Texas Golfo de México análisis armónico gráficos de mareas modelo de persistencia previsiones Tide tables are the method of choice for water level predictions in most coastal regions. However, for many locations along the coast of the Gulf of Mexico, tide tables do not meet United States National Ocean Service (NOS) standards. Wind forcing has been recognized as the main variable not included. The performance of the tide tables is particularly poor in shallow embayments. Recent research has shown that Artificial Neural Network (ANN) models including input variables such as previous water levels, tidal forecasts, wind speed, wind direction, wind forecasts and barometric pressure can greatly improve over the tide charts for locations including open coast and deep embayments. In this paper, the ANN modeling technique is applied to a shallow embayment, the station of Rockport, located near Corpus Christi, Texas. The ANN model performance is compared against the NOS tide charts and the persistence model for the years 1997 to 2001. The performance is assessed using NOS criteria including Central Frequency (CF of 15 cm), Maximum Duration of Positive Outliers (MDPO), and Maximum Duration of Negative Outliers (MDNO). Over the study period, the performances of the three models (tide table, persistence, ANN) are respectively CF’s of 85%, 95.8% and 96.9%, MDPOs of 16, 14 and 5.9 hours, and MDNOs of 72.8 hours, 0.6 and 9.5 hours. Tablas de mareas son el método escogido generalmente para la predicción del nivel del agua en regiones costeras. Sin embargo, para muchas localidades en la costa del Golfo de México, las tablas de mareas no satisfacen las normas del Servicio Nacional Oceánico de los Estados Unidos (NOS, por sus siglas en inglés). La fuerza del viento ha sido reconocida como la principal variable no incluida. El rendimiento de las tablas de mareas es particularmente pobre en aguas poco profundas. Investigaciones recientes han mosrado que los modelos de redes de neuronas artificiales (ANN, por sus siglas en inglés) que incluyen variables de entrada como niveles previos de agua, previsiones de mareas, velocidad del viento, dirección del viento, predicción del viento, y presión atmosférica, pueden mejorar en gran medida los gráficos de mareas para localizaciones que incluyen mar abierto y aguas profundas. En este artículo, la técnica de modelación de ANN es aplicada a una estación de aguas poco profundas, la estación de Rockport, localizada cerca de Corpus Christi, Texas. El rendimiento del modelo ANN es comparado contra los gráficos de mareas NOS y el modelo de persistencia para los años 1007 a 2001. El rendimiento es medido usando los criterios NOS, que incluyen Frecuencia Central (FC de 15 cm), Máxima Duración de Puntos Atípicos Positivos (MNPO), y Máxima Duración de Puntos Atípicos Necagativos (MDNO). Sobre el período de estudio, el rendimiento de los tres modelos (tabla de mareas, persistencia, ANN) son, respectivamente, CF de 85%, 95.8% y 96.9%, para MDPO es 16, 14 y 5.9 horas, y para MDNO es de 72.8, 0.6 y 0.5 horas. Universidad de Costa Rica, Centro de Investigación en Matemática Pura y Aplicada (CIMPA) 2005-02-01 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Article application/pdf https://revistas.ucr.ac.cr/index.php/matematica/article/view/258 10.15517/rmta.v12i1-2.258 Revista de Matemática: Teoría y Aplicaciones; Vol. 12 No. 1-2 (2005): Revista de Matemática: Teoría y Aplicaciones; 139-150 Revista de Matemática: Teoría y Aplicaciones; Vol. 12 Núm. 1-2 (2005): Revista de Matemática: Teoría y Aplicaciones; 139-150 Revista de Matemática; Vol. 12 N.º 1-2 (2005): Revista de Matemática: Teoría y Aplicaciones; 139-150 2215-3373 1409-2433 spa https://revistas.ucr.ac.cr/index.php/matematica/article/view/258/238 Derechos de autor 2005 Revista de Matemática: Teoría y Aplicaciones

Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment

Ejemplares similares