Os pesquisadores da Dalhousie e do ambiente de inovação de análise de dados oceânicos DeepSense desenvolveram um método de aprendizado de máquina para prever medições de velocidade do vento e altura de onda. Essas medições apoiam uma tomada de decisão segura e mais precisa pela Autoridade Portuária Halifax e os Pilotos Marítimos Halifax.

Resultados publicados no Journal for Ocean Technology demonstrar como a equipe usou dados de boias inteligentes para fornecer previsões para uso durante os períodos de manutenção programada da boia e / ou falhas espontâneas do sensor. Essas previsões serão valiosas para a comunidade portuária no fornecimento de continuidade de informações críticas usadas na navegação segura de navios dentro do Porto de Halifax e na transferência segura de Pilotos da Marinha Halifax entre barcos-piloto e embarcações comerciais.

O projeto DeepSense / SmartAtlantic é uma colaboração entre o Center for Ocean Ventures and Entrepreneurship (COVE), Sentimento profundo, a Halifax Port Authority (HPA) e a Canadian Marine Pilots 'Association (CMPA).

Baseado na Faculdade de Ciência da Computação com financiamento e apoio da Atlantic Canada Opportunities Agency (ACOA), a Província de Nova Scotia, o Ocean Frontier Institute (OFI) e a IBM, DeepSense impulsiona o crescimento da economia oceânica por meio da inteligência artificial, aprendizagem de máquina e pesquisa aplicada de big data.

Fazendo previsões

Iniciado pelo COVE com parceiros da HPA e da CMPA, o projeto teve como objetivo fornecer um nível adicional de redundância altamente preciso para a boia SmartAtlantic Herring Cove.

"A plataforma Smart Buoy hospeda vários sensores oceânicos e gera previsões refinadas que se tornaram um recurso crucial para os usuários marinhos que entram no porto de Halifax, "diz Melanie Nadeau, CEO da COVE. "Com a adição do DeepSense e sua capacidade de usar os dados coletados nos últimos 7 anos, temos um caminho a seguir para fornecer informações contínuas para a indústria naval. "

Chris Whidden, professor assistente na Faculdade de Ciência da Computação, liderou a equipe de pesquisa associada ao projeto com o apoio do aluno de Mestrado em Ciência da Computação Aplicada, Jesuseyi Fasuyi.

"O problema é que, se os dados do sensor em tempo real não estiverem disponíveis nas boias inteligentes, ficamos imaginando se é seguro transferir pilotos para grandes navios de navegação e navios de cruzeiro para guiá-los até o porto de Halifax, "diz o Dr. Whidden.

“Pegamos as principais variáveis ​​preditivas de velocidade do vento e altura das ondas, e dados relacionados a essas variáveis ​​coletados por outras boias inteligentes e estações terrestres, pensar sobre como podemos usar o aprendizado de máquina para fazer previsões sobre essa atividade para a boia em Herring Cove. É uma novidade, pois ninguém mais parece estar fazendo previsões como essa com apenas um ou dois sensores substitutos. "

O aprendizado de máquina é comumente usado para identificar padrões em dados e usar isso para fazer previsões ou decisões automáticas.

"Existem muitos, muitos modelos diferentes de aprendizado de máquina e tivemos que decidir em qual nos concentrar, "explica o Dr. Whidden." Acabamos olhando para três:florestas aleatórias, suporte a máquinas de vetores e um modelo de rede neural. Eles são uma espécie de exemplo para essa tarefa. Portanto, florestas aleatórias e máquinas de vetores de suporte são modelos de aprendizado de máquina de estilo mais antigo, que tendem a funcionar muito bem, especialmente nos casos em que você não tem muitos dados. E as redes neurais são o pão com manteiga do aprendizado profundo. No fim, o modelo de floresta aleatório teve o melhor desempenho com, na média, um erro de apenas 0,17 metros para alturas de onda. "

Possibilidades futuras

Os pesquisadores começaram a explorar aspectos como sazonalidade e condições climáticas extremas e as descobertas iniciais abriram possibilidades futuras para o projeto com a equipe agora olhando para a fase dois com o estudante de Mestrado em Ciência da Computação Amruth Kuppili, que está procurando entender melhor as variações sazonais e continuar a desenvolvimento de uma estrutura para permitir um futuro painel de dados e previsão ao vivo.

"O Smart Buoy, quando foi implantado pela primeira vez em 7 de novembro, 2013, tornou possível melhorar a segurança operacional, segurança e eficiência sem alterar a infraestrutura existente, "diz o capitão Adam Parsons, capitão do porto para a Autoridade Portuária de Halifax. "Tê-lo em vigor proporcionou a todos nós da comunidade portuária - operadores, transportadores e pilotos marítimos - com informações valiosas nas quais confiamos. Tomar medidas inovadoras para preencher essas lacunas durante os tempos de manutenção ou problemas de sensor é algo que todos nós apreciamos e saudamos. "

Capitão Andrew Rae, vice-presidente da Atlantic, Associação Canadense de Pilotos da Marinha e presidente, Comitê de operação conjunta da boia Smart Atlantic Herring Cove, ecoa esse otimismo em torno dos impactos do projeto.

"A aplicação pioneira da DeepSense de aprendizado de máquina para prever com precisão dois conjuntos de dados do oceano (velocidade do vento e alturas das ondas) coletados pela bóia ODAS de 3 metros SmartAtlantic ancorada nas proximidades de Herring Cove, exemplifica a parceria bem-sucedida da ciência da computação aplicada com uma aplicação prática de segurança. O Comitê de Operações Conjuntas da SmartAtlantic Herring Cove Buoy está ansioso para a próxima fase do projeto. "