利用微地震测量和机器学习方法重建海浪数据

Jan, 2024

利用微地震测量和机器学习方法重建海浪数据

Sea wave data reconstruction using micro-seismic measurements and machine learning methods

Lorenzo Iafolla, Emiliano Fiorenza, Massimo Chiappini, Cosmo Carmisciano, Valerio Antonio Iafolla

TL;DR利用微震测量站和机器学习算法，本研究提出一种新的海浪监测系统，用以重建海浪浮标数据并提高可靠性。实验结果表明该系统能够克服浮标可靠性问题并保持同样的准确性。

Abstract

sea wave monitoring is key in many applications in oceanography such as the validation of weather and wave models. Conventional in situ solutions are based on moored buoys whose measurements are often recognized as a standard. However, being exposed to a harsh environment, they are not

sea wave monitoring micro-seismic measuring station machine learning algorithm data reconstruction reliability

发现论文，激发创造

预测海浪条件的机器学习框架

开发一种基于机器学习的框架，利用物理波浪模型的许多迭代进行监督学习，准确地预测波浪条件，其中使用蒙特雷湾模型作为示例测试站点，并通过聚合监督学习培训和测试数据集，并将其提供给机器学习模型来复制波高和正确识别特征周期。

Sep, 2017

利用机器学习对稀疏遥感数据进行相位分辨的非线性海洋波面高度重建

通过利用神经网络中的 U-Net 和 Fourier 神经运算器架构，使用一种基于均匀一维网格的高阶谱方法进行波浪模拟和几何雷达建模方法产生高度逼真的合成训练数据，从而解决了利用计算密集的优化过程或牺牲全过程实时能力和准确性的简单建模假设的现有方法进行相位分辨波浪条件重建的问题。该方法在利用包含每个输入中多个历史雷达快照的时空雷达数据进行训练时，提供了准确的重建结果，并显示出对不同海况的良好泛化表现，其中 FNO 网络在傅里叶空间中全局学习输入和所需输出之间的映射时表现更佳。

May, 2023

机器引导下探索现实世界的孤立波模型

通过因果分析、深度学习、遵循简约原则的模型选择和符号回归，本文通过一个案例研究展示了利用数据发现海洋罕见巨浪的新符号模型。该模型基于大量浮标观测数据上训练的人工神经网络，同时兼顾预测性能和因果不变性。我们将这个黑盒模型应用于符号回归，转化为数学方程，在现有波浪理论框架下进行解释，从而实现模型的预测能力和可解释性。结果表明，该模型能够重现已知行为，生成良好校准的概率，并在未见数据上取得更好的预测准确性，为罕见巨浪预测提供更准确的方法。

Nov, 2023

利用非线性薛定谔方程和物理信息神经网络进行水波的数据同化和参数识别

利用物理信息神经网络技术，本研究提出在水下安装少量监测仪器的情况下，通过测量数据重建表面高度的时空范围，以解决常规数值方法无法解决的数据同化问题，并成功应用于确定性波浪预测方法的改进。

Jan, 2024

基于多模式学习的高分辨率空间风速场重建

基于变分数据同化和深度学习概念的框架，用于海面风速的时空丰富、高分辨率信息恢复和模型重建。

Dec, 2023

利用人工神经网络和船体响应谱数据进行海况估计的响应分量分析

使用神经网络对采用船舶作为波浪浮标类比法的海浪状态进行建模，利用船舶运动响应的谱数据，可以高精度地估计明显波高和平均波周期，具有应用前景的海浪状态评估方法。

May, 2022

使用机器学习方法对复杂油藏进行早期地质勘探中的海陆数据进行专家独立的解释

该研究旨在开发并应用一种自主方法，预测研究区域油气藏扩散的概率。该方法基于 3D 地震勘探数据和地质信息，实现了对地质地球物理数据的专家独立概括，并利用该概括通过假设检验和生成地质模型。

Apr, 2023

人工智能时代的风暴潮模拟：基于 LSTM 的机器学习用于提高预测准确性

利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正，能够提高预测准确性。

Mar, 2024

利用神经网络和光谱聚类在气候模型大集合和卫星测高数据上进行的多年海平面预测

利用卫星测高测量，对全球平均海平面上升速率进行预测，并研究未来海平面变化的模式。我们展示了机器学习在长期海平面预测中的潜力，结合测高观测和气候模型模拟数据，利用全连接神经网络框架预测海平面趋势，并提供与该预测相关的不确定性评估。我们同时展示了分区数据集和为每个分割区域学习独立机器学习模型的有效性，并比较了两种分割策略的结果。

Oct, 2023

基于物理信息的机器学习模型用于时变波浪涌浪预测

为了有效地进行沿海工程设计和管理，本研究提出了一种基于物理知识的机器学习方法，用于高效准确地模拟波浪涌浦时间序列。该方法将 Surfbeat（XBSB）模式的计算效率与 XBeach 模型中非静力学（XBNH）模式的准确性相结合，通过条件生成对抗网络（cGAN）将波浪涌浦的图像表示从 XBSB 映射到 XBNH，从而实现改进的图像到图像映射任务性能。经过模型训练后，可预测高保真度的基于 XBNH 的标量图，并通过逆小波变换重新构建时间序列的波浪涌浦。模拟结果强调了该模型在预测波浪涌浦方面的效率和健壮性，并表明其在风险评估和管理方面具有潜在价值。

Jan, 2024