Development of neural networks in predicting Caspian sea tides based on Levenberg Marquardt algorithm

Document Type : Research paper

Authors

1 Master of Geodesy, Department of Surveying Engineering, Faculty of Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran.

2 Assistant Professor, Surveying Engineering Department, Faculty of Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran.

10.22034/hydro.2023.54256.1278

Abstract

The purpose of this research is to show the use of neural networks in predicting the tides of the Caspian Sea. Forecasting the current level of seawater is very useful in the shipping industry and is one of the most important parameters in marine geodesy, oceanography, and geophysics. Sea level has been done in different ways. Among the factors that affect the instantaneous sea level changes, the tidal factor has been investigated in this research. Nowadays, artificial intelligence methods are used to predict tides, these methods can fill information gaps the above items are among the advantages of intelligent methods in analyzing and predicting tides. Accordingly, this study method has been used in the preparation of this research. The nature of this research is quantitative and applied, and a descriptive research method has been used. In this research, one of the types of artificial intelligence has been worked with, which is neural networks. Neural networks have been used to validate the primary data and predict the Caspian Sea tides in this research. According to the findings obtained by Geo Tide software and neural networks, the water level of the Caspian Sea is decreasing because is clear in this research. It was found that the neural networks are more effective for predicting the tides, the water level of the Caspian Sea will reach -28 meters from the open water level in the future.

Keywords

References

انصاری، ح.، صالح نیا، ن.، 1391. ارزیابی پارامتر های مؤثر بر مصرف آب شرب شهری با استفاده از تکنیک تست گاما. آب و فاضلاب، 25(1):2-13.
ترابی­پوده، ح.، نصرالهی،ع.ح.، دهقانی، ر.، 1400. ارزیابی مدل شبکه عصبی موجک در پیش‌بینی منابع آب زیرزمینی (مطالعه موردی: استان لرستان، ایران). هیدروژئولوژی، 6(1): 1-12.
جعفری، ع.، آزموده اردلان، ع.ر.، 1386. بررسی روند سیزده ساله تغییرات سطح آب دریای خزر از راه ارتفاع­سنجی ماهواره­ای. فیزیک زمین و فضا، 33(1): 21-30.
سرائی تبریزی، م.، جلالی، م.ن.، یوسفی سهزابی، ح.، 1400. پیش‌بینی جریان ورودی با استفاده از تحلیل مدل‌های سری‌ زمانی (مطالعه موردی: سد جامیشان). هیدروژئولوژی، 6(1): 153-164.
عمادی، ر.ا.، نجفی علمداری، م.، پیروزنیا، م.، 1394. مدل­سازی جزر و مدی دریای خزر با استفاده از داده‌های تایدگیج‌های ساحلی. بیست و دومین همایش و نمایشگاه ملی ژئوماتیک، 27 اردیبهشت 1394، تهران.
فتح آبادی، ا.، سلاجقه، ع. و مهدوی، م.، 1387. پیش­بینی دبی رودخانه با استفاده از روش­های نوروفازی و مدل­های سری زمانی. علوم و مهندسی آبخیزداری ایران، 2(5):  30-21.
قوردویی میلان، س.، آریاآذر، ن.، جوادی، س.، رازدار، ب.، 1399. شبیه‌سازی تراز سطح آب زیرزمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان و مقایسه آن با شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره. هیدروژئولوژی، 5(1)، 118-133.
گویلی،س، جوادی، س، بنی­حبیب، م، ا، و، ثانی خانی، ه. 1397 مقایسه مدل­های هوشمند در پیش­بینی نوسانات تراز سطح آب دریاچه زریوار با درنظرگیری تراز آب زیرزمینی. تحقیقات منابع آب ایران، (3) 14، 277-268.
محتشمی، م.، دهقانی، ااف.، اکبرپور، ا.، مفتاح هلقی، م.، اعتباری، ب.، 1389. پیش­بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند). آبیاری و زهکشی ایران، 4(1): 1-10.
مختاری، ز.، ناظمی، الف.، ندیری، ع.، 1391. پیش­بینی تراز آب زیرزمینی با استفاده از مدل شبکه های عصبی مصنوعی )مطالعه موردی: دشت شبستر). زمین­شناسی ژئوتکنیک )زمین­شناسی کاربردی)، 8(4): 353-345.
نیکبخت، ج، و، نوری، س، 1395. پیش­بینی تراز سطح آب زیرزمینی با کمک شبکه­های موجک-عصبی (مطالعه موردی: دشت مراغه-آذربایجان شرقی)، هیدروژئولوژی، (1)1، 29-43.
Abileah, R., Vignudelli, S., and Scozzari, A., 2011. A completely remote sensing approach to monitoring reservoirs water volume. International Water Technology. Journal, 1, 63-77.
Babaie, M., Sebaaly, F., Sharifzadeh, M., Kanaan, H. Y., and Al-Haddad, K., 2019. Design of an Artificial Neural Network Control Based on Levenberg-Marquart Algorithm for Grid-Connected Packed U-Cell Inverter. 2019 IEEE International Conference on Industrial Technology (ICIT).
Bergé-Nguyen, M., Cretaux, J. F., Calmant, S., Fleury, S., Satylkanov, R., Chontoev, D., and Bonnefond, P., 2021. Mapping mean lake surface from satellite altimetry and GPS kinematic surveys. Advances in Space Research, 67(3): 985–1001.
Camargo, C. M. L., Riva, R., Hermans, T. H. J., and Slangen, A. B. A., 2022. Trends and uncertainties of mass-driven sea-level change in the satellite altimetry era. Earth System Dynamics Discussions, 13(3), 1351–1375.
Chang, J., Wang, G. and Mao, T., 2015. Simulation and prediction of suprapermafrost groundwater level variation in response to climate change using a neural network model. Journal of Hydrology, 529, pp.1211-1220
Chen, L. H., Chen, C. T., and Pan, Y. G. 2009. Groundwater level prediction using SOM-RBFN multisite model. Journal of Hydrologic Engineering, 15(8), 624-631.
Emamgholizadeh, S., Moslemi, K. and Karami, G., 2014. Prediction the groundwater level of bastam plain (Iran) by artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS). Water resources management, 28(15), pp.5433-5446.
Gonzalez, R. Q., and Arsanjani, J. J., 2021. Prediction of Groundwater Level Variations in a Changing Climate: A Danish Case Study. ISPRS International Journal of Geo-Information, 10(11): 792.
Jin, T., Li, J., and Jiang, W., 2016. The global mean sea surface model WHU2013. Geodesy and Geodynamics, 7(3): 202–209.
Kemp, S. E., Wilson, I. D., and Ware, J. A., 2004. A tutorial on the gamma test. International Journal of Simulation: Systems, Science and Technology, 6(1-2): 67-75.
Khaledian, M. R., Isazadeh, M., Biazar, S. M., and Pham, Q. B., 2020. Simulating Caspian Sea surface water level by artificial neural network and support vector machine models. Acta Geophysica, 68(2): 553–563.
Lai, V., Malek, M., Abdullah, S., Latif, S., and Ahmed, A., 2020. Time-Series Prediction of Sea Level Change in the East Coast of Peninsular Malaysia from the Supervised Learning Approach. International Journal of Design & Nature and Ecodynamics, 15(3): 409–415.
Liao, T., and Chao, B. F., 2022. Global Mean Sea Level Variation on Interannual–Decadal Timescales: Climatic Connections. Remote Sensing, 14(9), 2159.
Moghaddamnia, A., Gousheh, M. G., Piri, J., Amin, S., and Han, D., 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources, 32(1): 88-97.
Nourani, V., Ejlali, R.G. and Alami, M.T., 2011. Spatiotemporal groundwater level forecasting in coastal aquifers by hybrid artificial neural network-geostatistics model: a case study. Environmental Engineering Science, 28(3), pp.217-228.
Poutanen, M., 2000. Sea surface topography and vertical datums using space geodetic techniques. Publications of Finnish Geodetic Institute, Report No. 128, Kirkkonummi: 158pp.
Salehnia, N., Falahi, M. A., Seifi, A., and Adeli, M. H. M., 2013. Forecasting natural gas spot prices with nonlinear modeling using Gamma test analysis. Journal of Natural Gas Science and Engineering, 14: 238-249.
Srivastav, R. K., Sudheer, K. P., and Chaubey, I., 2007. A simplified approach to quantifying predictive and parametric uncertainty in artificial neural network hydrologic models. Water Resources Research, 43(10).
Sun, W., Zhou, X., Yang, L., Zhou, D., and Li, F., 2021. Construction of the Mean Sea Surface Model Combined HY-2A With DTU18 MSS in the Antarctic Ocean. Frontiers in Environmental Science, 9, 697111.
Van der Heide, D., 2021. Lake and reservoir volume variability from satellite imagery data: An assessment of the usability of high-resolution digital elevation models to extract water levels. Master Thesis. (TU Delft Civil Engineering and Geosciences).
Wouters, B., and van de Wal, R. S. W., 2018. Global sea-level budget 1993--present. Earth System Science Data, 10(3), 1551-1590. Global sea-level budget 1993–present., 2018. Earth System Science Data, 10(3): 1551–1590.
Yuan, J., Guo, J., Liu, X., Zhu, C., Niu, Y., Li, Z., Ji, B., and Ouyang, Y., 2020. Mean sea surface model over China seas and its adjacent ocean established with the 19-year moving average method from multi-satellite altimeter data. Continental Shelf Research, 192: 104009.
Yuan, J., Guo, J., Niu, Y., Zhu, C., and Li, Z., 2020. Mean Sea Surface Model over the Sea of Japan Determined from Multi-Satellite Altimeter Data and Tide Gauge Records. Remote Sensing, 12(24): 4168.
Yuan, J., Guo, J., Niu, Y., Zhu, C., Li, Z., and Liu, X., 2020. Denoising Effect of Jason-1 Altimeter Waveforms with Singular Spectrum Analysis: A Case Study of Modelling Mean Sea Surface Height over South China Sea. Journal of Marine Science and Engineering, 8(6): 426.
Hydrogeology
Volume 8, Issue 1
Publisher
September 2023
Pages 61-77

Files

Share

How to cite

Statistics