LEARNING THE SPATIO-TEMPORAL RELATIONSHIP BETWEEN WIND AND SIGNIFICANT WAVE HEIGHT USING DEEP LEARNING

• Main Authors: Monbet, Valérie, Obakrim, Said, Ailliot, Pierre, Raillard, Nicolas
• Other Authors: Institut de Recherche Mathématique de Rennes (IRMAR), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-École normale supérieure - Rennes (ENS Rennes)-Université de Rennes 2 (UR2)-Centre National de la Recherche Scientifique (CNRS)-Institut Agro Rennes Angers, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), SIMulation pARTiculaire de Modèles Stochastiques (SIMSMART), Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut de Recherche Mathématique de Rennes (IRMAR), Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut Français de Recherche pour l'Exploitation de la Mer (IFREMER), Laboratoire de Mathématiques de Bretagne Atlantique (LMBA), Université de Bretagne Sud (UBS)-Université de Brest (UBO)-Centre National de la Recherche Scientifique (CNRS)
• Format: Report
• Language: English
• Published: HAL CCSD 2022
• Subjects: Wind fields; Significant wave height; Convolutional Neural Networks; Long Short-Term Memory; [MATH.MATH-ST]Mathematics [math]/Statistics [math.ST]; North Atlantic
• Online Access: https://hal.science/hal-03825412; https://hal.science/hal-03825412/document; https://hal.science/hal-03825412/file/Learning_relation_wind_waves.pdf

Ocean wave climate has a significant impact on near-shore and offshore human activities, and its characterisation can help in the design of ocean structures such as wave energy converters and sea dikes. Therefore, engineers need long time series of ocean wave parameters. Numerical models are a valuable source of ocean wave data; however, they are computationally expensive. Consequently, statistical and data-driven approaches have gained increasing interest in recent decades. This work investigates the spatio-temporal relationship between North Atlantic wind and significant wave height (H s) at an offshore location in the Bay of Biscay, using a two-stage deep learning model. The first step uses convolutional neural networks (CNNs) to extract the spatial features that contribute to H s. Then, long short-term memory (LSTM) is used to learn the long-term temporal dependencies between wind and waves.