Deep learning methods for sea surface height forecasting

Rus, Marko (avtor), Kristan, Matej (mentor), Ličer, Matjaž (komentor)

Global mean sea-level rise driven by anthropogenic climate change has critically increased the frequency and severity of coastal flooding, particularly in semi-enclosed regional basins like the Adriatic Sea, where complex dynamics involving storm surges, astronomical tides, and basin seiches threaten densely populated communities. Traditional numerical ocean models, such as NEMO and SCHISM, have historically been the standard for operational forecasting. However, their predictive accuracy is inherently limited by the constraints of explicit physical modeling, such as inevitable process simplifications and uncertainties in the initial ocean state. Furthermore, these models are computationally expensive, struggling to efficiently provide the probabilistic ensemble forecasts necessary for estimating uncertainty. By learning these complex, non-linear sea-level dynamics directly from observational data, deep learning offers a powerful way to bypass both physical and computational bottlenecks. To address these limitations, this dissertation explores and validates the hypothesis that deep-learning architectures can provide a fast and highly accurate alternative for operational sea-level forecasting by systematically evolving the HIDRA (HIgh-performance Deep tidal Residual estimation method using Atmospheric data) model family. The deep convolutional neural network HIDRA2 directly predicts full single-point sea-surface height (SSH) over a 72-hour horizon, establishing itself as the first data-driven model to significantly outperform the operational numerical ocean model (NEMO) in the northern Adriatic during extreme storm surges. To better capture long-range spatio-temporal atmospheric dependencies, this architecture is subsequently enhanced in HIDRA-T, which integrates transformer-based encoders to achieve superior precision and recall in storm surge forecasting. HIDRA3 utilizes a joint spatial latent state to process data from multiple stations simultaneously, allowing it not only to implicitly reconstruct missing observations and maintain reliability during multi-sensor blackouts, but also to improve overall forecasting accuracy by incorporating a broader spatial context. HIDRA-D, by combining tide gauge records with sparse, unevenly distributed satellite absolute dynamic topography (ADT) and learning low-frequency spatial components in the Fourier domain, successfully generates dense 2D basin-scale forecasts. Because tide gauges and satellite altimetry utilize unaligned vertical datums, HIDRA-D inherently learns to automatically align these sources, effectively aligning local coastal stations against the global geoid, a highly valuable capability for broader oceanographic applications. Models of the HIDRA family have transcended academic validation to achieve operational success. The architectures have been successfully verified not only in the Adriatic but also in the Danish and Estonian waters, and were successfully tested at several tide gauges by the Spanish public port authority agency Puertos del Estado, achieving better accuracy than relevant operational numerical ocean models. Furthermore, the models are actively used in daily operational forecasting by the Slovenian Environment Agency (ARSO), and HIDRA2 is implemented as part of the European Commission's Destination Earth On Demand Extremes digital twin as an early detection system, triggering computationally expensive numerical models only when extreme hazards are detected.

• Jezik: Angleški jezik
• Ključne besede: sea-level forecasting, storm surge, deep learning, spatio-temporal modeling, operational oceanography
• Vrsta gradiva: Doktorsko delo/naloga
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2026
• PID: 20.500.12556/RUL-188810
• Datum objave v RUL: 28.09.2026

Sekundarni jezik

• Jezik: Slovenski jezik
• Naslov: Metode globokega učenja za napovedovanje višine morske gladine

Izvleček

Globalni dvig morske gladine, ki ga poganjajo antropogene podnebne spremembe, je kritično povečal pogostost in resnost obalnih poplav, še posebej v polzaprtih regionalnih bazenih, kot je Jadransko morje, kjer kompleksna dinamika nevihtnih odrivov, astronomskega plimovanja in sešev bazena ogroža gosto poseljene skupnosti. Tradicionalni numerični oceanski modeli, kot sta NEMO in SCHISM, so bili zgodovinsko gledano standard za operativno napovedovanje. Vendar pa je njihova napovedna točnost inherentno pogojena z omejitvami eksplicitnega fizikalnega modeliranja, kot so neizogibne poenostavitve procesov in negotovosti v začetnem stanju oceana. Poleg tega so ti modeli računsko izjemno zahtevni, zaradi česar s težavo učinkovito zagotavljajo verjetnostne ansambelske napovedi, ki so nujne za ocenjevanje negotovosti. Globoko učenje, ki se te kompleksne in nelinearne dinamike morske gladine nauči neposredno iz opazovalnih podatkov, ponuja izjemno učinkovit način, da zaobidemo tako fizikalna kot računska ozka grla. Za reševanje teh omejitev v tej disertaciji s sistematičnim razvojem družine modelov HIDRA raziskujemo in potrjujemo hipotezo, da lahko arhitekture globokega učenja zagotovijo hitro in točno alternativo za operativno napovedovanje morske gladine. Globoka konvolucijska nevronska mreža HIDRA2 neposredno napoveduje enotočkovno višino morske gladine (SSH) na 72-urnem horizontu in se uveljavi kot prvi podatkovno vodeni model, ki v severnem Jadranu bistveno preseže uspešnost operativnega numeričnega oceanskega modela (NEMO) med ekstremnimi nevihtnimi odrivi. Za boljše zajemanje daljnosežnih prostorsko-časovnih atmosferskih odvisnosti je bila ta arhitektura naknadno izboljšana v modelu HIDRA-T, ki z integracijo kodirnikov na osnovi arhitekture transformer dosega izjemno natančnost in priklic pri napovedovanju nevihtnih odrivov. HIDRA3 uporablja skupno prostorsko latentno stanje za hkratno obdelavo podatkov z več postaj, kar ji omogoča implicitne rekonstrukcije manjkajočih opazovanj, ohranjanje zanesljivosti med izpadi več senzorjev hkrati in zaradi vključevanja širšega prostorskega konteksta doseganje višje točnosti napovedovanja. HIDRA-D z združevanjem zapisov merilnih postaj z redko in neenakomerno porazdeljeno satelitsko absolutno dinamično topografijo (ADT) ter učenjem nizkofrekvenčnih prostorskih komponent v Fourierjevi domeni uspešno generira prostorsko goste 2D napovedi za celoten bazen. Ker merilne postaje in satelitska altimetrija uporabljajo neporavnane vertikalne datume, se HIDRA-D nauči samodejno uskladiti te različne vire in s tem učinkovito poravna lokalne obalne postaje z globalnim geoidom, kar predstavlja izjemno dragoceno zmožnost za širše oceanografske aplikacije. Modeli družine HIDRA so presegli meje akademske validacije in dosegli vsesplošen operativni uspeh. Arhitekture niso bile uspešno verificirane le v Jadranskem, temveč tudi v danskih in estonskih obalnih vodah, prav tako pa so bile uspešno preizkušene na več španskih mareografskih postajah javne agencije za pristanišča Puertos del Estado, kjer so dosegle boljšo točnost kot operativni numerični oceanski modeli. Poleg tega modele za vsakodnevno operativno napovedovanje že aktivno uporablja Agencija RS za okolje (ARSO), model HIDRA2 pa je implementiran kot del evropskega digitalnega dvojčka Destination Earth On-Demand Extremes Evropske komisije kot sistem za zgodnje zaznavanje, ki sproži računsko zahtevne numerične modele le ob detekciji ekstremnih nevarnosti.

• Ključne besede: napovedovanje morske gladine, nevihtni val, globoko učenje, prostorsko-časovno modeliranje, operativna oceanografija