Comparison of artificial neural networks and harmonic analysis for sea level forecasting (Urias coastal lagoon, Mazatlán, Mexico)

• Erik Molino-Minero-Re ^[1] ; José Gilberto Cardoso-Mohedano ^[1] ; Ana Carolina Ruiz-Fernández ^[1] ; Joan-Albert Sanchez-Cabeza ^[1]
  1. [1] Universidad Nacional Autónoma de México

     Universidad Nacional Autónoma de México

     México

     
• Localización: Ciencias marinas, ISSN 0185-3880, ISSN-e 2395-9053, Vol. 40, Nº 4, 2014, págs. 251-261
• Idioma: inglés
• Títulos paralelos:
  • Comparación de redes neuronales artificiales y análisis armónico para el pronóstico del nivel del mar (estero de Urías, Mazatlán, México)
• Enlaces
  • Texto completo
• Resumen
  • español

    El estero de Urías, una laguna costera localizada en el noroeste de México, está sometido a una gran variedad de impactos ambientales. Su hidrodinámica (y la dispersión de los contaminantes) es controlada principalmente por las corrientes de marea. El primer paso para comprender los procesos estuarinos de la laguna costera es contar con una previsión precisa de las elevaciones del nivel del mar. En el presente trabajo se comparan las predicciones del nivel del mar simuladas por un modelo tradicional de análisis armónico, a través de un análisis espectral de Fourier, con modelos autorregresivos no lineales basados en redes neuronales artificiales, ambos validados y calibrados con datos de campo. Nuestros resultados mostraron que las redes autorregresivas no lineales son útiles para simular la elevación del nivel del mar con una escala relativamente corta de tiempo (<10 días), mientras que el modelo basado en el análisis armónico se puede utilizar para simular escalas temporales grandes (>10 días). Concluimos que el uso conjunto de ambos métodos podría conducir a una estrategia más robusta para predecir las elevaciones del nivel del mar en la laguna costera.

  • English

    Urias Estuary, a coastal lagoon in northwestern Mexico, is impacted by multiple anthropogenic stressors. Its hydrodynamics (and consequent contaminant dispersion) is mainly controlled by tidal currents. To better manage the coastal lagoon, accurate tidal-level forecasting is needed. Here we compare the predictions of sea level rise simulated by a conventional harmonic analysis, through Fourier spectral analysis, and by nonlinear autoregressive models based on artificial neural networks, both calibrated and validated using field data. Results showed that nonlinear autoregressive networks are useful to simulate the sea level over a time scale of several days (<10 days), in comparison to harmonic analysis, which can be used for longer time scales (>10 days). We concluded that the joint use of both methods may lead to a more robust strategy to forecast the sea level in the coastal lagoon.