Vis enkel innførsel

dc.contributor.advisorEidsvik, Jo
dc.contributor.authorFoss, Karine Hagesæther
dc.date.accessioned2020-06-04T16:02:27Z
dc.date.available2020-06-04T16:02:27Z
dc.date.issued2019
dc.identifier.urihttps://hdl.handle.net/11250/2656714
dc.description.abstractUtviklingen av undervannsrobotikk gjør det mulig å utforske havet på nye måter, og denne teknologien kan nå brukes i miljøovervåking. I denne oppgaven er undervannsovervåking anvendt på konsentrasjon av forurensing fra en fabrikk i Frænfjorden, Norge. Statistiske modeller kombinert med data fra fjorden kan brukes til å overvåke fordelingen av forurensingen i tid og rom. Gaussiske prosesser utviklet fra en stokastisk partiell differensialligning, adveksjon- diffusjonsligningen, brukes som en basis for modelleringen. Målet med arbeidet er å bruke den statistiske modellen i utforsking av forskjellige beslutningsstrategier for bevegelsen til undervannsfarkoster. Modellen og strategiene kan brukes om bord på farkostene for effektiv overvåking av fjorden. Fokuset er på overskridelsesmengder (excursion sets), og et myopisk (grådig) beslutningskriterium for å minimere sannsynligheten for feilklassifisering med hensyn til overskridelsesmengden er utledet med analytisk løsning. Et simuleringsstudie for forurensingskonsentrasjon i Frænfjorden er gjennomført for å sammenligne forskjellige utforskningsstrategier for autonome undervannsfarkoster. Når en farkost velger posisjoner for målinger tilfeldig, blir i gjennomsnitt 13.1% av området feilklassifisert. Dette reduseres til 10.3% når strategien for å minimere sannsynligheten for feilklassifisering benyttes. Farkosten finner effektivt deler av overskridelsesmengden, men utforsker ofte for lite av domenet til å identifisere hele mengden. Ved å legge til variansreduksjon som en del av kriteriet, utforsker farkosten større områder, men å bestemme hele ruten til farkosten på forhånd viser seg å være like bra for modellen for Frænfjorden. Feilklassifiseringsratene er henholdsvis 9.9% og 9.7% for disse to strategiene.
dc.description.abstractUnderwater robotics makes it possible to explore the ocean in new ways, and can now be used for environmental sensing. In this thesis, the ideas of underwater sensing are applied to concentrations of pollutants from a factory in Frænfjorden, Norway. Statistical models combined with data from the fjord may be used to monitor the contaminant distributions over space and time. The basis for the statistical modelling is spatio-temporal Gaussian processes developed from the advection-diffusion stochastic partial differential equation. The aim of the thesis is to use the statistical model when exploring different decision strategies for the movement of underwater vehicles. The model and strategies can be used on board the vehicles for efficient sampling of the fjord. The focus is on identifying excursion sets, and a myopic (greedy) decision criterion for minimising the probability of misclassification with respect to the excursion set is derived in closed form. A simulation study of pollution concentration in Frænfjorden is performed, comparing different exploration strategies for autonomous underwater vehicles. When a vehicle is following a random surveying plan, the average misclassification rate with respect to the excursion set is 13.1%. This is reduced to 10.3% when using the misclassification probability decision strategy. The vehicle then efficiently finds excursion set borders, but often does not explore enough of the domain to identify the whole set. Adding variance reduction to the decision criterion makes the vehicle explore more, but predetermining a whole path for the vehicle beforehand is seen to perform just as good for the Frænfjorden model. The misclassification rates are 9.9% and 9.7% using each of these two strategies, respectively.
dc.languageeng
dc.publisherNTNU
dc.titleSpatio-temporal Gaussian processes and excursion sets for adaptive environmental sensing using underwater robotics
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel