Sea state forecasting in coastal and port areas through Artificial Neural Network [Previsione degli stati di mare in ambito costiero e portuale con l'utilizzo di reti neurali artificiali]

Maritime commerce is closely associated with managing port activities and their optimisation. As naval trade grows, so do the associated criticalities. For this reason, the scientific community's commitment to this field has always been intense. However, defining a single risk management plan for ports is not easy; criticalities depend on the characteristics of the port itself and the type of traffic affecting the port. Regarding safety, excluding the human factor, meteorological and marine conditions are critical in many maritime accidents. In particular, wave and wind conditions play a fundamental role in navigating ships and those moored in the port, generating issues related to manoeuvrability and visibility. Defining nearshore wave conditions is possible with the use of spectral numerical models. However, these models require high computational costs that are unsuitable for now-casting systems. For this reason, the scientific community focuses on developing wave climate prediction systems that allow for an early response to adverse events. This involves implementing early-warning systems based on machine learning to reduce the computational times without compromising the accuracy of predictions. In this context, the present work aims to develop a new approach to evaluating nearshore wave climate that can be successfully integrated into an early warning system in an actual case. Such an approach is based on Machine Learning (ML) and Data Mining (DM) techniques to analyse vast datasets encompassing conditions and coastal morphology. The proposed methodology adopts clustering techniques to select representative wave climate datasets and divide the study area into sub-areas with homogeneous conditions, as well as artificial neural networks and autoencoders to gather on-shore wave climate data. The methodology was applied to the area surrounding the Port of Augusta.

Il commercio marittimo è strettamente legato alla gestione delle attività portuali e alla loro ottimizzazione. Con la crescita del commercio navale, aumentano anche le criticità associate. Per questo motivo, l'impegno della comunità scientifica in questo campo è sempre stato intenso. Tuttavia, definire un unico piano di gestione dei rischi per i porti non è semplice; le criticità dipendono dalle caratteristiche specifiche del porto e dal tipo di traffico che lo interessa. Per quanto riguarda la sicurezza, escludendo il fattore umano, le condizioni meteorologiche e marine sono elementi critici in molti incidenti marittimi. In particolare, le condizioni di onde e vento svolgono un ruolo fondamentale nella navigazione delle navi e per quelle ormeggiate in porto, generando problematiche legate alla manovrabilità e alla visibilità. È possibile ottenere informazioni sottocosta mediante l'uso di modelli numerici spettrali. Tuttavia, questi modelli richiedono costi computazionali elevati, poco adatti a sistemi di now-casting. Per questo motivo, la comunità scientifica si concentra sullo sviluppo di sistemi di previsione del clima ondoso che consentano una risposta tempestiva agli eventi avversi. Ciò implica l'implementazione di sistemi di allerta precoce basati su tecniche di apprendimento automatico per ridurre i tempi computazionali senza compromettere l'accuratezza delle previsioni. In questo contesto, il presente lavoro si propone di sviluppare un nuovo approccio per la valutazione del clima ondoso costiero, che possa essere integrato con successo in un sistema di allerta precoce in un caso reale. Tale approccio si basa su tecniche di Machine Learning (ML) e Data Mining (DM) per analizzare grandi set di dati come le condizioni meteomarine. La metodologia proposta adotta tecniche di clustering per selezionare dataset rappresentativi del clima ondoso e suddividere l'area di studio in sottoaree con condizioni omogenee, nonché reti neurali artificiali e autoencoder per predire clima ondoso su vaste aree. La metodologia è stata applicata all'area circostante del Porto di Augusta.