TY  - THES
AB  - Auswirkungen des Klimawandels, wie der Anstieg des Meeresspiegels und sich verändernde Stürme, bedrohen die Küstenregionen. Korrekte Vorhersagen der signifikanten Wellenhöhe (SWH) sind daher für den Küstenschutz von entscheidender Bedeutung. In den Küstengebieten der ostfriesischen Nordsee bestimmen die morphodynamische Variabilität der Sandbänke des Gezeitendeltas (ETD) das Seegangsklima. Ziel dieser Arbeit ist es, die Auswirkungen der Küstenmorphodynamik auf den Seegang durch die Analyse des ETD-Dämpfungseffektes zu verstehen und dieses Wissen zur Verbesserung von räumlichen und zeitlichen Vorhersagen der SWH mit maschinellen Lernverfahren im Forschungsgebiet Norderney zu nutzen. Aufgrund von Variationen der Küstenmorphodynamik zeigte die Quantifizierung der Seegangsdämpfung eine Variabilität von 14 2%, während die ETD-Sandbänke einen Dämpfungseffekt von 41 11% verursachten. Erstmals wurde ein neuronales LSTM-Netz mit bathymetrischen Inputdaten entwickelt. Mit einem RMSE von 0,069 m konnte eine parallele LSTM-Struktur die Rekonstruktion der SWH um 16,7% verbessern. Es wurde ein zweidimensionales CNN zur räumlichen Vorhersage der Wellenhöhen unter Berücksichtigung der sich kontinuierlich morphodynamisch verändernden ETD-Sandbänke entwickelt. Aufgrund der begrenzt verfügbaren bathymetrischen Daten wurden erstmalig geostatistische Variogrammanalysen und Zufallsfelder für die Simulation synthetischer ETD-Sandbänke eingesetzt, um Trainingsdaten zu generieren. Trainiert auf gemischten Daten aus numerischen SWAN-Modellen sowie metozeanischen Messungen, erreichte das CNN einen räumlich-gemittelten RMSE von 0,097 m. Eine weitere Validierung mit Bojenmessungen ergab eine vergleichbare Leistung von CNN (RMSE = 0,23 m) und SWAN (RMSE = 0,218 m). Da der Ansatz des maschinellen Lernens die Berechnungszeit im Vergleich zum numerischen Modell um einen Faktor >300 000 reduzieren konnte, bietet er die Möglichkeit der Echtzeitvorhersage.
AU  - Jörges, Christoph
CY  - Wuppertal
DA  - 2022
DO  - 10.25926/BUW/0-85
DP  - Bergische Universität Wuppertal
LA  - eng
N1  - Tag der Verteidigung: 25.05.2023
N1  - Gesehen am 11.08.2023
N1  - Bergische Universität Wuppertal, Dissertation, 2023
PB  - Veröffentlichungen der Universität
PY  - Dezember 2022
SP  - 1 Online-Ressource ( XX, 176 Seiten)
T2  - Geographie und Sachunterricht
TI  - Neural networks for spatial and temporal ocean wave height prediction considering coastal morphodynamics in the East Frisian North Sea
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:468-2-859
Y2  - 2024-12-30T17:36:53
ER  -