Data-Driven Methods for Investigation of Oceanic Whitecaps

Abstract

Denne avhandlingen hadde som mål å besvare to primære forskningsspørsmål: nøyaktigheten av PIV-hastighetsfeltestimater av skumtoppermets overflate på havet og deres korrelasjon med øyeblikkelige vindhastighetsmålinger, samt effektiviteten av tradisjonelle og moderne dekomponeringsteknikker i å oppdage underliggende trekk i bilder av havoverflaten og for forbehandling av PIV-applikasjoner. Studien anvendte først metoden Automatic Whitecap Extraction for å undersøke dens robusthet for estimering av mendgden skumtopper. Resultatene var konsistente med tidligere studier som brukte forskjellige metoder som luftfotografering og mikrobølgestråling, noe som styrket AWE-metodens gyldighet på tvers av ulike havtilstander og forhold. Undersøkelsen av dekomponeringsteknikker avslørte begrensningene til POD i å fange opp signifikante egenskaper hos skumtoppene på grunn av metodens fokus på romlige korrelasjoner, hvor den hadde vanskelig med skumtoppenes tilfeldige oppførsel. SPOD ga bedre resultater for passivt skum på grunn av å ta hensyn til tidsmessige egenskaper, der passivt skum viser stabile oscillerende frekvenser over lengre perioder. SPOD slet generelt med å håndtere skumtoppermets tilfeldige tidsmessige egenskaper. BOP-DMD viste lovende resultater med en bedre energifordeling hos modene, men møtte utfordringer i å fange fysisk meningsfulle rekonstruksjoner. Multiskala DMD, som hadde potensial til å løse disse problemene, krevde mer omfattende parameterjustering og videre utvikling for effektivt å håndtere kompleksiteten av havoverflatens dynamikk. PIV-analysen fremhevet utfordringene som ble stilt av den nødvendige kvaliteten på bildeinnhenting og den støyende naturen til havbilder. Disse faktorene påvirket nøyaktigheten av hastighetsestimater betydelig, noe som førte til høy usikkerhet og et behov for omfattende filtrering. Korrelasjonen mellom PIV-hastigheter og vinddata, selv om den var av moderat orden, viste potensialet for videre utforskning med forbedrede metoder og større datasett. Den statistiske analysen viste at den høyeste Pearson-korrelasjonen med daglig vindhastighet ble oppnådd fra ufiltrerte daglige middelhastigheter, daglige middelmaksimumshastigheter, rms-hastigheter og skumtoppersfraksjon. Lasso-regresjonen viste potensial i å estimere vindstyrke basert på disse parameterne, noe som antyder at ytterligere forbedring av PIV-metoden og estimering av skumtopp andelen kan gi enda mer nøyaktige resultater.

This thesis aims to address two primary research questions: the accuracy of PIV velocity field estimations of whitecaps on the ocean surface and their correlation with instantaneous wind speed measurements, and the effectiveness of traditional and modern decomposition techniques in detecting underlying features in ocean surface imagery and for preprocessing PIV applications. The study first applied the Automatic Whitecap Extraction (AWE) method to address its robustness for whitecap fraction estimation. The results were consistent with previous studies using different methodologies such as airborne photography and microwave radiometry, reinforcing the AWE method’s validity across various ocean states and conditions. The investigation into decomposition methods revealed the limitations of POD in capturing significant features in whitecaps due to its focus on spatial correlations, where it struggled with the random and transient nature of whitecaps. SPOD provided better results for passive foam due to accounting for temporal properties, in which passive foam exhibits stable oscillating frequencies for extended periods. However, SPOD struggled to generally address the random temporal properties of whitecaps. BOP-DMD, on the other side, showed promise with a better modal energy distribution but faced challenges in capturing physically meaningful reconstructions. Multiresolution DMD, while promising to solve these issues, required more extensive parameter tuning and further development to handle the complexity of ocean surface dynamics effectively. The PIV analysis highlighted the challenges posed by the required quality of image acquisition and the noisy nature of ocean images. These factors significantly affected the accuracy of velocity estimations, leading to high uncertainty and a need for extensive filtering. The correlation between PIV velocities and wind data, while moderate, indicated the potential for further exploration with improved methodologies and larger datasets. The statistical analysis showed that the highest Pearson correlation with daily wind speed was obtained from unfiltered daily mean velocities, daily mean max velocities, rms velocities, and whitecap fraction. The Lasso regression demonstrated potential in estimating wind strength based on these parameters, suggesting that further refinement of the PIV method and whitecap fraction estimation could yield even more accurate results.