DOI: https://doi.org/10.3389/fmars.2026.1796684
تاريخ النشر: 2026-03-13
المؤلف: Mirko Rupani وآخرون
الموضوع الرئيسي: العمليات المحيطية والجوية
نظرة عامة
تقيّم هذه الدراسة فعالية ثلاث تقنيات تعلم آلي (ML) – الجيران الأقرب (KNN)، التعزيز التكيفي (AdaBoost)، وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) – لنمذجة ارتفاع سطح البحر بدقة عالية (SSH) والتيارات السطحية في خليج سانتاندر، وهو مصب شبه مغلق. تسلط الدراسة الضوء على عدم الكفاءة الحسابية لطرق النمذجة العددية التقليدية، خاصةً بالنسبة للتنبؤات طويلة الأجل والتنبؤات التشغيلية. من خلال تدريب نماذج ML على مجموعة بيانات شاملة تشمل القوى المدية، والظروف الجوية، والأنهار، يقيم المؤلفون أداء النموذج من خلال طرق تحقق متنوعة. تشير النتائج إلى أن التقنيات الثلاثة تنجح في تكرار الأنماط الهيدروديناميكية الرئيسية، حيث تظهر LSTM أعلى دقة في المناطق ذات الطاقة المدية العالية، بينما يتفوق AdaBoost في المناطق ذات الطاقة المنخفضة.
تكشف النتائج أن KNN يؤدي باستمرار بشكل أقل مقارنة بـ AdaBoost و LSTM، ومع ذلك لا يزال يحقق نتائج مرضية في معظم المناطق. يظهر تحليل تكلفة الحساب أن جميع طرق ML تتفوق بشكل كبير على النماذج العددية التقليدية، محققة تسريعًا بمقدار عدة أوامر من حيث الحجم. كما تقدم الدراسة استراتيجية تحسين قائمة على التجميع تقلل من العبء الحسابي أثناء ضبط المعلمات الفائقة مع الحفاظ على التنوع المكاني. يُعتبر الإطار المقترح قابلًا للنقل إلى أنظمة مصبات أخرى، مشروطًا بتوفر مجموعات بيانات قابلة للمقارنة والمعايرة السابقة للنماذج الهيدروديناميكية. تشمل اتجاهات البحث المستقبلية توسيع الإطار ليشمل مجالات التدفق ثلاثية الأبعاد ودمج مجموعات البيانات الملاحظة لتعزيز قوة النموذج وقابليته للتطبيق.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للبيانات الهيدروديناميكية في إدارة الأنشطة الاجتماعية والاقتصادية في المناطق الساحلية، مثل الملاحة، وتربية الأحياء المائية، والسياحة، بينما تتناول أيضًا المخاطر البيئية مثل الفيضانات والتلوث. تؤكد على الحاجة إلى بيانات عالية الدقة (عشرات إلى مئات الأمتار) لالتقاط ديناميات التيار بدقة والتي تتأثر بالعوامل المحلية، بما في ذلك العمق وظروف الطقس. تواجه النماذج الهيدروديناميكية التقليدية، التي تستخدم تقنيات تقليل الديناميكية، تحديات في التعقيد الحسابي والتكلفة، خاصةً بالنسبة للتنبؤات طويلة الأجل.
للتغلب على هذه القيود، تم اقتراح طرق هجينة تجمع بين المحاكاة العددية والنماذج الإحصائية، على الرغم من أن تطبيقها على تيارات المحيط لا يزال محدودًا. تناقش المقدمة أيضًا ظهور الأساليب المعتمدة على البيانات، وخاصة تعلم الآلة (ML)، في علم المحيطات، مع عرض تقنيات متنوعة مثل نماذج الانحدار اللوجستي، والعمليات الغاوسية، وطرق التعلم العميق مثل شبكات الذاكرة طويلة وقصيرة المدى (LSTM). على الرغم من التقدم، تركز النماذج الحالية غالبًا على التنبؤات الزمنية أو المناطق المحددة، مما يفتقر إلى التكامل الشامل للقوى الفيزيائية مثل الرياح ومدخلات المياه العذبة. تهدف هذه الدراسة إلى سد هذه الفجوات من خلال تقييم فعالية الجيران الأقرب (KNN)، والتعزيز التكيفي (AdaBoost)، وشبكات LSTM لنمذجة الهيدروديناميكية بدقة عالية في خليج سانتاندر، إسبانيا، وتقييم أدائها من حيث الدقة والكفاءة الحسابية.
الطرق
توضح قسم المنهجية النهج المتبع لنمذجة التيارات بدقة عالية وارتفاع سطح البحر (SSH) في خليج سانتاندر باستخدام تقنيات تعلم آلي (ML) وذكاء اصطناعي (AI) متنوعة. الأهداف الرئيسية هي تطوير محاكي إحصائي لنموذج ديناميكي عددي وتقييم أداء كل تقنية مختارة. تم اختيار ثلاث طرق متميزة لهذه الدراسة: الجيران الأقرب (KNN)، AdaBoost، وشبكات الذاكرة طويلة وقصيرة المدى (LSTM). تمثل هذه التقنيات طيفًا من طرق ML و AI، من الطرق البسيطة المعتمدة على الحالات إلى نماذج التعلم العميق الأكثر تعقيدًا، مما يسهل تقييمًا شاملاً لفعاليتها في نمذجة المتغيرات الهيدروديناميكية. سيتم تقديم مزيد من التفاصيل حول كل تقنية في الأقسام التالية.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يسلط الضوء على الاتجاهات البيانية المهمة، والنتائج الإحصائية، وأي علاقات ملحوظة بين المتغيرات. عادةً ما يتم توضيح النتائج من خلال الجداول، والرسوم البيانية، أو الأشكال، التي توفر تمثيلًا بصريًا للبيانات وتسهّل التفسير.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم، مقارنتها بالأدبيات الموجودة لوضع مساهماتهم في السياق. يتم تناول أي شذوذ أو نتائج غير متوقعة، مع تقديم تفسيرات محتملة. بشكل عام، تعتبر النتائج أساسًا للنقاشات والاستنتاجات اللاحقة التي تم التوصل إليها في الورقة.
النقاش
يركز قسم النقاش في هذه الدراسة على الخصائص الهيدروديناميكية لخليج سانتاندر، الواقع على الساحل الكانتابري في إسبانيا، ضمن السياق الأوسع لخليج بسكاي. يشهد الخليج تفاعلًا معقدًا للتيارات الموسمية، تتأثر بشكل ملحوظ بالتيار الإيبيري المتجه نحو القطب، الذي ينقل المياه الدافئة المالحة خلال الخريف والشتاء. تؤدي هذه التغيرات الموسمية إلى تحولات مميزة في التيارات السطحية، مع تدفقات نحو الشرق في الشتاء وتدفقات نحو الجنوب الغربي في الربيع والصيف. تعقّد البنية الفريدة للخليج، بما في ذلك الميزات التي تحبس الدوامات المتوسطة، أنماط الدوران المحلية. لقد غيرت الأنشطة البشرية، مثل استصلاح الأراضي والحفر، بشكل كبير من جيومورفولوجيا الخليج، مما أدى إلى فقدان كبير للساحل الطبيعي والمناطق المدية.
تستخدم الدراسة مجموعة بيانات قوية لتدريب، والتحقق، وتقييم النماذج الإحصائية التي تهدف إلى التنبؤ بمستوى البحر والتيارات السطحية. تشمل المتغيرات الرئيسية المؤثرة تيارات المحيط الإقليمية، وحقول الرياح، ومتوسط ضغط مستوى البحر، وتصريف المياه العذبة من نهر ميرا، مع تضمين نطاق المد لتعزيز دقة النموذج. تمتد فترة التدريب من أبريل 2021 إلى أبريل 2023، مما يلتقط مجموعة واسعة من الظروف البيئية، بما في ذلك أحداث تصريف الأنهار العالية والمنخفضة. يعتمد النموذج الهيدروديناميكي المستخدم في توليد المتغيرات المتوقعة على إطار عمل Delft3D-FLOW، الذي يحاكي ديناميات الخليج بفعالية من خلال حل معادلات نافير-ستوكس المتوسطة العمق. تظهر عمليات المعايرة والتحقق من النموذج موثوقية عالية، مع مؤشرات أداء قوية تشير إلى إعادة إنتاج فعالة للظروف الهيدروديناميكية الملاحظة. establishes هذا النهج الشامل خليج سانتاندر كموقع نموذجي لتقييم نماذج تعلم الآلة في التنبؤ بالمتغيرات الهيدروديناميكية عبر ظروف متنوعة.
DOI: https://doi.org/10.3389/fmars.2026.1796684
Publication Date: 2026-03-13
Author(s): Mirko Rupani et al.
Primary Topic: Oceanographic and Atmospheric Processes
Overview
This research evaluates the effectiveness of three machine learning (ML) techniques—K-nearest neighbors (KNN), Adaptive Boosting (AdaBoost), and long short-term memory networks (LSTM)—for modeling high-resolution sea surface height (SSH) and surface currents in Santander Bay, a semi-enclosed estuary. The study highlights the computational inefficiencies of traditional numerical modeling methods, particularly for long-term hindcasts and operational forecasting. By training the ML models on a comprehensive dataset that includes tidal, meteorological, and fluvial forcings, the authors assess model performance through various validation methods. Results indicate that all three techniques successfully replicate key hydrodynamic patterns, with LSTM demonstrating the highest accuracy in tidally energetic regions, while AdaBoost excels in low-energy areas.
The findings reveal that KNN consistently underperforms compared to AdaBoost and LSTM, yet still achieves satisfactory results in most regions. The computational cost analysis shows that all ML approaches significantly outperform traditional numerical models, achieving speedups of several orders of magnitude. The study also introduces a clustering-based optimization strategy that reduces the computational burden during hyperparameter tuning while maintaining spatial diversity. The proposed framework is deemed transferable to other estuarine systems, contingent on the availability of comparable datasets and prior calibration of hydrodynamic models. Future research directions include extending the framework to three-dimensional flow fields and integrating observational datasets to enhance model robustness and applicability.
Introduction
The introduction highlights the critical role of hydrodynamic data in managing socio-economic activities in coastal areas, such as navigation, aquaculture, and tourism, while also addressing environmental risks like flooding and pollution. It emphasizes the need for high-resolution data (tens to hundreds of meters) to accurately capture current dynamics influenced by local factors, including bathymetry and meteorological conditions. Traditional hydrodynamic models, which utilize dynamical downscaling, face challenges in computational complexity and expense, particularly for long-term forecasts.
To overcome these limitations, hybrid methods combining numerical simulations with statistical models have been proposed, although their application to ocean currents remains limited. The introduction also discusses the emergence of data-driven approaches, particularly machine learning (ML), in oceanography, showcasing various techniques such as logistic autoregressive models, Gaussian processes, and deep learning methods like long short-term memory (LSTM) networks. Despite advancements, existing models often focus on temporal predictions or specific regions, lacking comprehensive integration of physical forcings like wind and freshwater inputs. This study aims to fill these gaps by evaluating the effectiveness of K-nearest neighbors (KNN), Adaptive Boosting (AdaBoost), and LSTM networks for high-resolution hydrodynamic modeling in the Bay of Santander, Spain, assessing their performance in terms of accuracy and computational efficiency.
Methods
The methodology section details the approach taken to model high-resolution currents and sea surface height (SSH) in Santander Bay using various machine learning (ML) and artificial intelligence (AI) techniques. The primary objectives are to develop a statistical emulator for a numerical dynamical model and to evaluate the performance of each selected technique. Three distinct methods were chosen for this study: K-Nearest Neighbors (KNN), AdaBoost, and Long Short-Term Memory (LSTM) recurrent neural networks (RNN). These techniques represent a spectrum of ML and AI approaches, from simpler instance-based methods to more complex deep learning models, thereby facilitating a comprehensive assessment of their effectiveness in modeling hydrodynamic variables. Further details on each technique will be provided in subsequent sections.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It highlights significant data trends, statistical outcomes, and any observed relationships between variables. The results are typically illustrated through tables, graphs, or figures, which provide a visual representation of the data and facilitate interpretation.
In this section, the authors may also discuss the implications of their findings, comparing them with existing literature to contextualize their contributions to the field. Any anomalies or unexpected results are addressed, along with potential explanations. Overall, the results serve as a foundation for the subsequent discussion and conclusions drawn in the paper.
Discussion
The discussion section of this study centers on the hydrodynamic characteristics of Santander Bay, located on the Cantabrian coast of Spain, within the broader context of the Bay of Biscay. The bay experiences a complex interplay of seasonal currents, notably influenced by the Iberian Poleward Current, which transports warm, saline waters during autumn and winter. This seasonal variability leads to distinct shifts in surface currents, with eastward flows in winter and southwestward flows in spring and summer. The bay’s unique bathymetry, including features that trap mesoscale eddies, further complicates local circulation patterns. Human activities, such as land reclamation and dredging, have significantly altered the bay’s geomorphology, resulting in substantial loss of natural coastline and intertidal areas.
The study employs a robust dataset to train, validate, and evaluate statistical models aimed at predicting sea level and surface currents. Key predictors include regional ocean currents, wind fields, mean sea level pressure, and freshwater discharge from the Miera River, with tidal range included to enhance model accuracy. The training period spans from April 2021 to April 2023, capturing a wide range of environmental conditions, including both high and low river discharge events. The hydrodynamic model used for generating predictands is based on the Delft3D-FLOW framework, which effectively simulates the bay’s dynamics by solving the depth-averaged Navier-Stokes equations. The model’s calibration and validation processes demonstrate high reliability, with strong performance metrics indicating effective reproduction of observed hydrodynamic conditions. This comprehensive approach establishes Santander Bay as an exemplary site for evaluating machine learning models in predicting hydrodynamic variables across diverse conditions.