Machine Learning for Detection of Fronts in Ocean Model and Remote Sensing Data

Abstract

Havfronter er overganger mellom vannmasser med ulike fysiske egenskaper som temperatur, salinitet og tetthet. Fronter kan være utfordrende å detektere da de er komplekse og har «weak edges» (svake gradienter). Dette fører til at klassiske teknikker sliter med å detektere posisjonen til fronten da de baserer seg på gradient verdien. I dette prosjektet ble maskinlærings modellen «Weak Edge Identification Network» implementert for deteksjon av fronter i elveplumen ved Trondheim Havn basert på salinitetsdata fra havmodellen SINMOD. Elveplumer er områder som dannes ved at elver med ferskvann renner ut i havet og kan sees som fronter på grunn av den drastiske endringen i salinitet i plum området. Maskinlæringsmodellen formulerer front deteksjon som et «weak edge»-identifiserings problem og bruker et «convolutional neural network» for å detektere frontens posisjon.

Treningsdataen for maskinlærings modellen ble annotert med et enkelt annoteringsprogram og en transformasjon for å simplifisere annoteringsprosessen. Maskinlæringsmodellen detekterer frontene i elveplumen tilstrekkelig. Den gir likevel ikke noe bedre resultat enn en klassisk gradient metode. Dette var fordi frontene som ble annotert hadde sterke gradienter. Modellen detektere også fronter som ikke var en del av elveplumen. For videre arbeid kan disse reduseres ved å bruke en transformasjon på dataen før den mates inn i maskinlæringsmodellen som et preprosessering-steg.

Det ble også utviklet et enkelt program for å analysere de detekterte frontene i elveplumen. Det endelige programmet inneholder: omrisse, posisjonen, spredningen og arealet av de detekterte frontene fra maskinlæringsmodellen. Programmet blir brukt til å analysere hvordan plumen blir påvirket av variasjoner i tidevann og en økning i tilførsel av ferskvann. Programmet simplifiserer elveplum systemet til et sett med variabler som kan brukes for å analysere oppførselen til plumen.

Effekten av å middle front data med en enkel middlingsmetode ble også utredet. Dette ble gjennomført for å redusere antall fronter som oppstår på grunn av strømningsfeltet og fremheve fronter som oppstår på grunn av den geografiske lokasjonen i området. Dette er fordi metodene som blir brukt til front deteksjons ikke klarer å skille mellom disse to typene. Den første typen er ønskelig å redusere da de ofte er tilfeldige og forsvinner etter kort tid. Ved å bruke en middlingsmetode på front data kan man være mer selektiv i hvilken type fronter man detekterer.

Ocean fronts are transitions between water masses with different physical properties like temperature, salinity or density. Fronts can be hard to detect because of their complexity and weak edge property. This leads to poor performance for classical front detection methods which focuses on calculating the gradient along the front. In this project the machine learning model Weak Edge Identification Network was implemented for detection of front areas in the river plume at Trondheim Harbour using salinity data from the ocean model SINMOD. River plumes are areas created by the flow of fresh water into the coastal ocean and can be seen as front areas due to the dramatic change in salinity in the plume. The network formulates the front detection problem as a weak edge identification problem and uses a convolutional neural network to detect the fronts position.

The data used for training the machine learning model was annotated using a simple annotation program and a data transformation for simplifying the annotation process. The machine learning model detects the fronts position well. Still, it does not give a better result than a classic gradient method. This was because the front area that were annotated contained strong edges. The model also detects front areas which are not part of the river plume. For future reference, these could be reduced by using a data transformation on the input data before it is fed into the machine learning model as a preprocessing stage.

It was also developed a simple program to analyze the behavior of the detected front areas in the plume. The final program outputs: the outline, position, distribution and area based on the detection from the machine learning model. The program are used to analyze how the plume are affected by variation in tides and an increase in flow. The program simplifies the complex river plume system into a set of variables we can use to study the river plumes behavior.

Finally, the effect of using a simple mean method to average ocean front data was investigated. This was to reduce the number of fronts that are present due to the current field and enhance fronts that are present due to their geographic location. This is because front detection tools can not separate between the two types. The first type is desirable to reduce as they are random and tend to fade out after a short while and are therefore not that interesting to detect. Using this mean method on front data we can be more selective in which front we detect.