Contour polygon clustering for wave field classification in the Baltic Sea
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2017-12-11
Department
Major/Subject
Geoinformatiikka
Mcode
T-110
Degree programme
Rakenne- ja rakennustuotantotekniikan koulutusohjelma
Language
en
Pages
52
Series
Abstract
Wave models are used for simulating wave climates and providing wave forecasts for maritime traffic. Wind forcing quality has been recognised as a main factor affecting the accuracy of wave modelling results. An error in wind speed or direction may result in an error in the spatial distribution of wave parameters or the shape of the wave field. In the Baltic Sea this effect may be emphasized due to the small size and complex shape of the sea area. Moreover, climate change is expected to change the wind conditions in the Baltic Sea area in the next decades. This thesis introduces a method for classifying wave fields by their shape. A 10 year wave hindcast of the Baltic Sea is analysed by means of spatial cluster analysis. In order to reduce data and computational complexity, contour polygons for a fixed significant wave height level are used as a generalised representation of the wave fields. Distance is then calculated between each pair of contour polygons and a density based clustering algorithm is applied for finding groups of similar polygons. The obtained classification is used for comparing wave model results and satellite altimeter wave observations. The challenges of polygon clustering compared to more common point clustering are discussed. The method works as intended in one part of the study area, the Bothnian Sea. In other areas the chosen contour level was either too low or too high relative to the wave climate of the area. Cluster evaluation with satellite altimeter observations remains at a concept level because of too few samples. With the suggested improvements to the current method a useful and physically meaningful classification could potentially be obtained.Aaltomalleja käytetään aaltoilmastojen tutkimiseen ja niillä tuotetaan aaltoennusteita merenkulun käyttöön. Aaltomalliin syötetyn tuulipakotteen laatu vaikuttaa merkittävästi mallin antamien tulosten tarkkuuteen. Verrattaen pienellä ja monimutkaisen muotoisella Itämerellä virheellinen tuulen suunta tai voimakkuus voi huomattavasti vääristää mallinnetun aaltokentän muotoa. Ilmastonmuutoksen myötä Itämeren tuuli- ja siten aalto-olosuhteiden odotetaan lisäksi muuttuvan tulevina vuosikymmeninä. Tässä diplomityössä esitetään menetelmä aaltokenttien luokitteluun niiden muodon perusteella. Menetelmässä sovelletaan klusterianalyysiä tutkimusaineistona olevaan kymmenen vuoden aallokkosimulaatioon Itämerellä. Aaltomallin tuottamista aaltokentistä erotetaan valitun merkitsevän aallonkorkeuden arvon tasa-arvokäyrien muodostamat polygonit ja jokaisen polygoniparin välille lasketaan etäisyys valituilla etäisyysmitoilla. Tämän jälkeen käytetään tiheysperusteista DBSCAN-klusterointialgoritmia samanlaisten polygonien ryhmittelyyn. Saatua luokitusta käytetään aaltomallin tulosten ja satelliittialtimetrilla mitattujen merkitsevän aallonkorkeuden arvojen vertailuun. Kirjallisuuskatsauksessa esitellään aiempia polygoniklusteroinnin sovelluksia ja käsitellään polygonien klusteroinnin haasteita verrattuna pistemäisen paikkatiedon klusterointiin. Klusterianalyysillä saatujen tulosten perusteella työssä kehitetty menetelmä toimii toivotusti Selkämerellä. Muilla Itämeren alueilla valittu kiinteä merkitsevän aallonkorkeuden arvo on joko liian pieni tai suuri verrattuna alueen aaltoilmastoon. Menetelmään ehdotetaan luokituksen käyttökelpoisuutta ja fysikaalista merkitsevyyttä parantavia muutoksia.Description
Supervisor
Virrantaus, KirsiThesis advisor
Tuomi, LauraSiiriä, Simo-Matti
Keywords
clustering, wave modelling, classification, spatial data analysis, DBSCAN