کاربرد هوش مصنوعی در جریانات سطحی خلیج فارس

این پژوهش با هدف پیش بینی دقیق جریانات سطحی در خلیج فارس انجام شده است. پیش بینی این جریانات به دلایل متعددی از جمله بهبود ناوبری دریایی، مدیریت پایدار منابع شیلاتی، کنترل آلودگی های نفتی و افزایش اثربخشی عملیات امداد و نجات از اهمیت حیاتی برخوردار است. در این مطالعه، از یک مدل ترکیبی پیشرفته مبتنی بر شبکه های عصبی کانولوشنی (CNN) و حافظه بلندمدت (LSTM) استفاده شده است. داده های مورد نیاز اعم از سرعت اعمودی و سرعت افقی از مدل HYCOM برای بازه زمانی ۲۰۱۰ تا ۲۰۱۵ با دقت مکانی ۸ کیلومتر استخراج شده است.در این معماری، شبکه CNN مسئول استخراج ویژگی های مکانی و شبکه LSTM عهده دار تحلیل الگوهای زمانی بوده است. یافته های تحقیق نشان می دهد که انتخاب بهینه شعاع مکانی داده های ورودی نقش تعیین کننده ای در دقت پیش بینی ها دارد. نتایج حاکی از آن است که با افزایش افق زمانی پیش بینی، نیاز به استفاده از شعاع مکانی بزرگتر بیشتر می شود، اما این افزایش شعاع همواره منجر به بهبود نتایج نمی گردد. خطای پیش بینی در تمامی افق های زمانی مورد بررسی کمتر از ۷.۹۵% (بر اساس معیار میانگین مربعات خطای نرمال شده) بوده است.

کلیدواژه ها:

Surface Currents ، Persian Gulf ، CNN-LSTM ، Marine Forecasting ، Artificial Intelligence ، جریانات سطحی ، خلیج فارس ، CNN-LSTM ، پیش بینی دریایی ، هوش مصنوعی