Revista de Matemática: Teoría y Aplicaciones ISSN Impreso: 1409-2433 ISSN electrónico: 2215-3373

OAI: https://revistas.ucr.ac.cr/index.php/matematica/oai
Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment
PDF

Palabras clave

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

Cómo citar

Bowles, Z., Tissot, P. E., Michaud, P., & Sadovski, A. (2005). Artificial neural network predictions of water levels in a Gulf of Mexico shallow embayment. Revista De Matemática: Teoría Y Aplicaciones, 12(1-2), 139–150. https://doi.org/10.15517/rmta.v12i1-2.258

Resumen

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.

https://doi.org/10.15517/rmta.v12i1-2.258
PDF

Citas

Cox, D.T.; Tissot, P.E.; Michaud, P.R. (2002a) “Water level observations and short-term predictions including meteorological events for the entrance of Galveston Bay, Texas”, J. of Wtwy, Port, Coast., and Oc. Engrg. 128(1): 21–29.

Info on Rockport elevation: http://www.travelbyroad.net/trip planner/p 09750 2800 cty.

Sadovski, A.L.; Tissot, P.; Michaud, P.; Steidley, C. “Statistical and neural network modeling and predictions of tides in the shallow waters of the Gulf of Mexico”, WSEAS Transactions on Systems 2(2): 301–307.

Michaud P.R.; Jeffress, G.; Dannelly, R.; Steidly, C. (2001) “Real-time data collection and the Texas Coastal Ocean Observation Network”, in: Proc. of Intermac ’01 Joint Technical Conference, Tokyo, Japan.

NOAA (1991) “NOAA Technical Memorandum NOS OMA 60”, National Oceanic and Atmospheric Administration, Silver Spring, Maryland.

NOAA (1994) “NOAA Technical Memorandum NOS OES 8”, National Oceanic and Atmospheric Administration, Silver Spring, Maryland.

Garvine, R. (1985) “A simple model of estuarine subtidal fluctuations forced by local and remote wind stress”, J. Geophys. Res. 90(C6): 11945–11948.

Mostella, A.; Duff, J.S.; Michaud, P.R. (2002) “Harmpred and Harman: web-based software to generate tidal constituents and tidal forecasts for the Texas Coast”, in: Proc. of the 19th AMS Conf. on Weather Analysis and Forecasting/15th AMS Conf. on Numerical Weather Prediction, 12–16 August 2002, San Antonio, Texas.

Tissot P.E.; Cox, D.T.; Michaud, P. (2002) “Neural network forecasting of storm surges along the Gulf of Mexico”, in: Proc. of the Fourth International Symposium on Ocean Wave Measurement and Analysis (Waves ’01), Am. Soc. Civil Engrs.: 1535–1544.

The MathWorks, Inc. (1998) Neural Network Toolbox for use with Matlab 5.3/version 3. The MathWorks, Natick, MA.

Tissot, P.E.; Michaud, P.R.; Cox, D.T. (2003) “Optimization and performance of a neural network model forecasting water levels for the Corpus Christi, Texas, Estuary”, in: 3rd Conference on the Applications of Artificial Intelligence to Environmental Science, Long Beach, California, February 2003.

Patrick, A.R.; Collins, W.G.; Tissot, P.E.; Drikitis, A.; Stearns, J.; Michaud, P.R. (2002) “Use of the NCEP MesoEta Data in a water level predicting neural network”, in: Proc. of the 19th AMS Conf. on Weather Analysis and Forecasting/15th AMS Conf. on Numerical Weather Prediction, 12-16 August 2002, San Antonio, Texas: 369–372.

Stearns, J.; Tissot, P.E.; Michaud, P.R.; Patrick, A.R.; Collins, W. G. (2002) “Comparison of MesoEta wind forecasts with TCOON measurements along the Coast of Texas”, in: Proc. of the 19th AMS Conf. on weather Analysis and Forecasting/15th AMS Conf. on Numerical Weather Prediction, 12-16 August 2002, San Antonio, Texas: J141–J144.

Cox, D.T.; Tissot, P.E.; Michaud, P.R. (2002b) “Statistical hindcasts and the relative importance of local and remote forcing on subtidal variability in Galveston Bay, Texas”, J. Geophys. Res., submitted.

Comentarios

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...