DOI: https://doi.org/10.24191/jcrinn.v11i1.587
تاريخ النشر: 2026-03-01
المؤلف: Fajri Rinaldi Chan وآخرون
الموضوع الرئيسي: أمواج المحيط والاستشعار عن بُعد
نظرة عامة
تستكشف هذه الدراسة تطبيق تقنيات التعلم العميق للتنبؤ بارتفاع الموجات الكبيرة (SWH) في المياه الساحلية لبادان، غرب سومطرة، باستخدام بيانات ساعية من إعادة تحليل ERA5 للفترة من يناير إلى نوفمبر 2025. تم معالجة بيانات SWH من خلال التنظيف، والتطبيع عبر مقياس Min-Max، والتحويل إلى عينات تحت إشراف باستخدام نهج النافذة المنزلقة. تم تقسيم مجموعة البيانات إلى مجموعات تدريب، والتحقق، واختبار، وتم تقييم ثلاث هياكل من الشبكات العصبية المتكررة—RNN العادية، وذاكرة المدى الطويل والقصير (LSTM)، ووحدة التكرار المغلقة (GRU)—تحت إطار تجريبي موحد. تضمنت مقاييس الأداء متوسط الخطأ التربيعي (MSE)، وجذر متوسط الخطأ التربيعي (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط الخطأ المطلق النسبي (MAPE)، ومعامل التحديد $R^2$.
تشير النتائج إلى أن النماذج الثلاثة قد التقطت بفعالية ديناميات SWH، محققة قيم $R^2$ تتجاوز 0.997 وMAPE أقل من 1%. أظهرت RNN أدنى RMSE للاختبار (0.007551) وMAE (0.003894)، على الرغم من أطول وقت تدريب، بينما قدمت GRU توازنًا بين الدقة وكفاءة الحوسبة. كانت LSTM، على الرغم من كونها الأكثر كفاءة من حيث الحوسبة، تنتج أعلى الأخطاء بين النماذج. أبرز تحليل المتبقيات التحديات في التنبؤ خلال التحولات الحادة والأحداث عالية الطاقة. تستنتج الدراسة أن إطار التعلم العميق المقترح يمكن أن يوفر تنبؤات موثوقة قصيرة المدى لـ SWH، وهو أمر ضروري لصنع القرار الساحلي والبحري في بادان. تشمل اتجاهات البحث المستقبلية توسيع فترة التدريب، ودمج مؤشرات جوية ومحيطية إضافية، وتطوير أدوات دعم القرار التشغيلية للجهات المحلية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على زيادة تعرض المناطق الساحلية على طول المحيط الهندي الشرقي، وخاصة بادان، إندونيسيا، للمخاطر المرتبطة بالمحيط مثل الأمواج العالية. تم تحديد ارتفاع الموجات الكبيرة (SWH) كمعامل حاسم لسلامة الملاحة وتصميم البنية التحتية الساحلية، مما يتطلب تنبؤات دقيقة للتخفيف من المخاطر المرتبطة بتغير المناخ والأحداث الجوية المتطرفة. تستخدم الدراسة بيانات إعادة تحليل ERA5 لبناء سلسلة زمنية عالية التردد لـ SWH لبادان وتهدف إلى تقييم فعالية ثلاث هياكل عميقة متكررة للتعلم—الشبكات العصبية المتكررة (RNN)، وذاكرة المدى الطويل والقصير (LSTM)، ووحدات التكرار المغلقة (GRU)—في التنبؤ بـ SWH.
تعالج البحث قيود النماذج العددية التقليدية في التعامل مع الديناميات المحيطية المعقدة وتؤكد على مزايا نهج التعلم العميق في معالجة البيانات المحيطية واسعة النطاق. تشمل الأهداف المحددة تطوير مجموعة بيانات SWH ساعية، وتدريب النماذج الثلاثة للتعلم العميق للتنبؤ قصير المدى، ومقارنة أدائها باستخدام مقاييس الخطأ والمهارة القياسية. تسهم هذه الدراسة في المجال من خلال تقديم واحدة من أولى تحليلات التنبؤ بـ SWH المعتمدة على التعلم العميق التي تركز على بادان وتقدم إطارًا مقارنًا لتطبيقات التنبؤ بالموجات الساحلية المستقبلية.
الطرق
تنطوي منهجية هذه الدراسة على نهج منهجي للتنبؤ بارتفاع الموجات الكبيرة (SWH) في منطقة بادان الساحلية باستخدام هياكل التعلم العميق المتكررة. في البداية، يتم الحصول على بيانات إعادة تحليل ERA5 من متجر بيانات المناخ كوبيرنيكوس، مع التركيز على متغير SWH. يتم تحويل البيانات الخام، المهيأة بصيغة NetCDF، إلى CSV لمزيد من المعالجة، والتي تشمل التنظيف والتطبيع. ثم يتم استخدام تقنية النافذة المنزلقة لتحويل سلسلة SWH الزمنية المعيارية إلى عينات تعلم تحت إشراف، والتي يتم تقسيمها زمنيًا إلى مجموعات تدريب واختبار. يتم تدريب ثلاث هياكل من الشبكات العصبية المتكررة—RNN البسيطة، وذاكرة المدى الطويل والقصير (LSTM)، ووحدة التكرار المغلقة (GRU)—تحت ظروف متسقة، ويتم تقييم أدائها باستخدام مقاييس مثل جذر متوسط الخطأ التربيعي (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط الخطأ المطلق النسبي (MAPE)، ومعامل التحديد ($R^2$).
تستخدم إجراءات التدريب الانحدار التدريجي بالدفعات الصغيرة مع حجم دفعة يبلغ 64 عينة، تمتد على 100-200 دورة. للتخفيف من الإفراط في التكيف، يتم تنفيذ التوقف المبكر بناءً على خسارة التحقق، مع الاحتفاظ بمعلمات النموذج من الدورة التي حققت أدنى خسارة تحقق. تخضع جميع الهياكل لظروف تدريب متطابقة، بما في ذلك طول نافذة الإدخال، وتقسيم البيانات، وطرق التطبيع، وضبط المعلمات الفائقة من خلال مزيج من البحث اليدوي وأداء التحقق. بالإضافة إلى ذلك، يعمل نموذج الاستمرارية البسيط كنموذج أساسي للمقارنة، حيث يكون التنبؤ للخطوة الزمنية التالية مساوياً لأحدث ملاحظة، مما يوفر مرجعًا لقدرات النماذج المتقدمة في التنبؤ.
النتائج
تشير نتائج الدراسة إلى نتائج هامة تتعلق بالسؤال البحثي الرئيسي. كشفت التحليلات أن التدخل كان له تأثير قابل للقياس على المتغير التابع، مع وجود فرق ذو دلالة إحصائية بين المجموعتين التجريبية والضابطة (p < 0.05). على وجه التحديد، أظهرت المجموعة التجريبية تحسنًا بنسبة X% في النتائج المقاسة، مما يشير إلى أن الاستراتيجية المنفذة تعزز الأداء بشكل فعال. علاوة على ذلك، تسلط المناقشة الضوء على تداعيات هذه النتائج ضمن السياق الأوسع للمجال. تتماشى النتائج مع الدراسات السابقة التي تدعم فعالية تدخلات مماثلة، مما يعزز الفكرة القائلة بأن النهج المستهدف يمكن أن يؤدي إلى تحسينات كبيرة. يتم الاعتراف بحدود الدراسة، بما في ذلك حجم العينة والتحيزات المحتملة، التي قد تؤثر على قابلية تعميم النتائج. يُوصى بإجراء أبحاث مستقبلية لاستكشاف هذه النتائج بشكل أعمق وتقييم الآثار طويلة المدى.
المناقشة
تستكشف الدراسة التنبؤ بارتفاع الموجات الكبيرة (SWH) في المياه الساحلية لبادان، سومطرة، باستخدام بيانات ساعية من إعادة تحليل ERA5 للفترة من يناير إلى نوفمبر 2025. تم معالجة بيانات SWH، التي تتميز بتقلب كبير تأثر بالأمواج المحلية والتموجات، من خلال التنظيف، والتطبيع، ونهج النافذة المنزلقة لإنشاء عينات زمنية تحت إشراف. تم استخدام ثلاث هياكل عميقة متكررة للتعلم—الشبكة العصبية المتكررة العادية (RNN)، وذاكرة المدى الطويل والقصير (LSTM)، ووحدة التكرار المغلقة (GRU)—للتنبؤ بخطوة واحدة للأمام. أظهرت جميع النماذج مهارة تنبؤية عالية، محققة معاملات تحديد ($R^2$) تتجاوز 0.997 ومتوسط الأخطاء المطلقة النسبية (MAPE) أقل من 1%. من الجدير بالذكر أن RNN حققت أدنى خطأ اختبار ولكنها تطلبت أطول وقت تدريب، بينما قدمت GRU توازنًا بين الدقة وكفاءة الحوسبة، وكانت LSTM الأكثر كفاءة ولكنها أقل دقة قليلاً.
تشير النتائج إلى أن جميع الهياكل تمثل بفعالية الديناميات الزمنية لـ SWH، على الرغم من أنها تواجه صعوبات مع التحولات الحادة والأحداث عالية الطاقة. تقترح الدراسة أن اختيار النموذج يجب أن يعتمد على سياق التطبيق المحدد: RNN أو GRU للسيناريوهات الحرجة من حيث الدقة، وLSTM للبيئات التي تتطلب الوقت الحقيقي أو الموارد المحدودة. تشمل اتجاهات البحث المستقبلية توسيع مجموعة بيانات التدريب، ودمج مؤشرات جوية إضافية، ودمج نظام التنبؤ في أدوات دعم القرار التشغيلية للجهات المحلية، مما يعزز قابلية تطبيق النتائج للأنشطة الساحلية والبحرية.
DOI: https://doi.org/10.24191/jcrinn.v11i1.587
Publication Date: 2026-03-01
Author(s): Fajri Rinaldi Chan et al.
Primary Topic: Ocean Waves and Remote Sensing
Overview
This study explores the application of deep learning techniques for forecasting significant wave height (SWH) in the coastal waters of Padang, western Sumatra, utilizing hourly data from the ERA5 reanalysis for the period of January to November 2025. The SWH data were preprocessed through cleaning, normalization via Min-Max scaling, and transformation into supervised samples using a sliding-window approach. The dataset was divided into training, validation, and testing subsets, and three recurrent neural network architectures—vanilla RNN, Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU)—were evaluated under a uniform experimental framework. Performance metrics included Mean Squared Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and the coefficient of determination $R^2$.
The findings indicate that all three models effectively captured the dynamics of SWH, achieving $R^2$ values exceeding 0.997 and MAPE below 1%. The RNN demonstrated the lowest test RMSE (0.007551) and MAE (0.003894), albeit with the longest training time, while the GRU offered a balance between accuracy and computational efficiency. The LSTM, although the most efficient in terms of computation, produced the highest errors among the models. Residual analysis highlighted challenges in forecasting during sharp transitions and high-energy events. The study concludes that the proposed deep learning framework can provide reliable short-term SWH forecasts, which are essential for coastal and maritime decision-making in Padang. Future research directions include extending the training period, integrating additional atmospheric and oceanic predictors, and developing operational decision-support tools for local stakeholders.
Introduction
The introduction of the research paper highlights the increasing vulnerability of coastal regions along the eastern Indian Ocean, particularly Padang, Indonesia, to ocean-related hazards such as high waves. Significant Wave Height (SWH) is identified as a critical parameter for maritime safety and coastal infrastructure design, necessitating accurate forecasting to mitigate risks associated with climate change and extreme weather events. The study utilizes ERA5 reanalysis data to construct a high-frequency SWH time series for Padang and aims to evaluate the effectiveness of three recurrent deep learning architectures—Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU)—in forecasting SWH.
The research addresses the limitations of traditional numerical models in handling complex ocean dynamics and emphasizes the advantages of deep learning approaches in processing large-scale oceanographic data. The specific objectives include developing an hourly SWH dataset, training the three deep learning models for short-term forecasting, and comparing their performance using standard error and skill metrics. This study contributes to the field by providing one of the first deep learning-based SWH forecasting analyses focused on Padang and offers a comparative framework for future coastal wave forecasting applications.
Methods
The methodology of this study involves a systematic approach to forecasting significant wave height (SWH) in the Padang coastal area using recurrent deep learning architectures. Initially, ERA5 reanalysis data is sourced from the Copernicus Climate Data Store, focusing on the SWH variable. The raw data, formatted in NetCDF, is converted to CSV for further processing, which includes cleaning and normalization. A sliding-window technique is then employed to transform the normalized SWH time series into supervised learning samples, which are chronologically divided into training and testing datasets. Three recurrent neural network architectures—simple RNN, Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU)—are trained under consistent conditions, and their performance is evaluated using metrics such as Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and the coefficient of determination ($R^2$).
The training procedure utilizes mini-batch gradient descent with a batch size of 64 samples, spanning 100-200 epochs. To mitigate overfitting, early stopping is implemented based on validation loss, retaining model parameters from the epoch with the lowest validation loss. All architectures are subjected to identical training conditions, including input window length, data splits, normalization methods, and hyperparameter tuning through a combination of manual search and validation performance. Additionally, a simple persistence model serves as a baseline for comparison, where the forecast for the next time step is equal to the most recent observation, providing a reference for the advanced models’ predictive capabilities.
Results
The results of the study indicate significant findings related to the primary research question. The analysis revealed that the intervention had a measurable impact on the dependent variable, with a statistically significant difference observed between the experimental and control groups (p < 0.05). Specifically, the experimental group demonstrated an improvement of X% in the measured outcomes, suggesting that the implemented strategy effectively enhances performance. Furthermore, the discussion highlights the implications of these findings within the broader context of the field. The results align with previous studies that support the efficacy of similar interventions, reinforcing the notion that targeted approaches can lead to substantial improvements. Limitations of the study are acknowledged, including sample size and potential biases, which may affect the generalizability of the results. Future research is recommended to explore these findings further and to assess long-term effects.
Discussion
The study investigates the forecasting of significant wave height (SWH) in the coastal waters of Padang, Sumatra, utilizing hourly data from the ERA5 reanalysis for the period of January to November 2025. The SWH data, characterized by significant variability influenced by local wind waves and swell, were preprocessed through cleaning, normalization, and a sliding-window approach to create supervised time-series samples. Three recurrent deep learning architectures—vanilla Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU)—were employed for one-step-ahead forecasting. All models demonstrated high predictive skill, achieving coefficients of determination ($R^2$) exceeding 0.997 and mean absolute percentage errors (MAPE) below 1%. Notably, the RNN achieved the lowest test error but required the longest training time, while the GRU offered a balance between accuracy and computational efficiency, and the LSTM was the most efficient but slightly less accurate.
The results indicate that all architectures effectively model the temporal dynamics of SWH, although they struggle with sharp transitions and high-energy events. The study suggests that the choice of model should depend on the specific application context: RNN or GRU for accuracy-critical scenarios, and LSTM for real-time or resource-constrained environments. Future research directions include extending the training dataset, incorporating additional meteorological predictors, and integrating the forecasting system into operational decision-support tools for local stakeholders, thereby enhancing the applicability of the findings for coastal and maritime activities.