Climate change is probably the greatest challenge facing society in the 21st century. One of the most affected sectors is our ports and coastal systems and Spain and the Mediterranean region are especially vulnerable. More than 15% of Spain’s GDP relies on tourism, much of which is connected to coastal areas, making it a priority to address this issue if we want to avoid losses like those experienced during recent storms, such as Gloria in 2020, Filomena in 2021, or Nelson in 2024.
However, climate change is not a new phenomenon, scientists have been studying it for decades. Thanks to their efforts, we now have highly accurate numerical models capable of predicting maritime climate under various scenarios, as well as specific tools for studying the impact on our structures and ports.
Nevertheless, the high computational cost of these tools has limited adaptation studies to ports of greater economic and social importance. Smaller ports, which are likely to be more severely affected by climate change, have been left behind. Marinas and recreational terminals have shallower drafts, making them more vulnerable to the effects of rising sea levels. The increase in water levels alters diffraction patterns and operational functionality, putting their operability at risk. However, the lack of efficient computational tools has been an obstacle to analysing these smaller terminals. This is where this work focuses.
This project proposes a methodology based on Artificial Intelligence (AI) for port adaptation studies to climate change. This methodology addresses everything from climate projection to port agitation. The goal is to optimize the entire climate modelling process. This proposal offers an alternative to existing methodologies, but with lower computational cost, allowing for small-scale local studies in smaller ports.
Among the AI techniques, neural networks (ANNs) have been used with genetic algorithms (GAs). ANNs and GAs have been combined with Level III probabilistic methodologies to develop AI models, leveraging the data generation capabilities of probabilistic methodologies alongside the data exploitation capabilities of ANNs.
As a result, three main models have been developed for each phase of the study. The first model is for the propagation of maritime climate, with two other AI models to project future maritime climate and analyse its trends. The second model addresses structural adaptation to new climatic conditions using a hybrid model of ANNs and GAs. Finally, the third model consists of a hybrid Deep Learning approach to analyse port agitation, combining conventional networks that handle wave data and convolutional networks that process port images. This approach addresses the adaptation problem, covering all phases of adaptation studies: propagation of wave climate, structural assessments and operability analysis.
Based on these models, a set of rules is proposed that can be applied to any port adaptation study in response to climate change. The ultimate goal is to facilitate the development of AI models and provide a starting point.
When comparing AI models with conventional models, it was found that AI models slightly improve the prediction of wave periods and are more efficient. In the case of climate propagation, simulation time has been reduced by up to 20 times compared to numerical models, and by up to 10 times in the case of port agitation. Additionally, hybrid models are much more efficient than those incorporating a single AI technique.
AI is the major agent of change in this century, and climate change is the major challenge. We must start implementing these high-potential methodologies. AI models are powerful tools, and their effectiveness is growing exponentially, making them one of the most promising techniques. Furthermore, we must strive to bring these models closer to technical professionals and not limit them solely to the scientific community. This is where this thesis fits in.
RESUMEN
El cambio climático es probablemente el mayor desafío al que se enfrenta la sociedad en el siglo XXI, y uno de los sectores más afectados es nuestro sistema portuario y costero. En particular, España es especialmente vulnerable a sus impactos. Más del 15% del PIB español depende del turismo, gran parte del cual está vinculado a las zonas costeras.
No obstante, el cambio climático no es nada nuevo, científicos llevan décadas estudiándolo. De hecho, gracias a todos sus esfuerzos, hoy contamos con modelos numéricos muy precisos, así como herramientas específicas para estudiar la afección de nuestras estructuras y puertos.
Sin embargo, su alto coste computacional ha limitado los estudios de adaptación a los puertos de mayor importancia económica y social, pero son los puertos más pequeños los que más afectados se van a ver por el cambio climático. Las terminales deportivas y recreativas tienen un calado más pequeño, por lo que, al tener una profundidad menor, el impacto del cambio climático será mayor. El incremento de la lámina de agua altera los patrones de difracción y funcionamiento, poniendo en riesgo su operatividad. Sin embargo, la falta de herramientas computacionales más eficientes ha sido un obstáculo para analizar estas terminales más pequeñas. Es aquí donde se centra este trabajo.
Este proyecto propone una metodología basada en Inteligencia Artificial (IA) para estudios de adaptación portuaria al cambio climático. Esta metodología integral aborda desde la proyección del clima hasta la agitación portuaria. El objetivo es optimizar todo el proceso de modelado climático. Esta propuesta ofrece una alternativa a las metodologías existentes, pero con un coste computacional mucho menor.
De entre las técnicas de IA se han utilizado redes neuronales (ANNs) junto con algoritmos genéticos (GAs). Se han combinado las ANNs y GAs con metodologías probabilísticas de nivel III para desarrollar los modelos de IA, aprovechando la capacidad de generación de datos de las metodologías probabilísticas junto con la capacidad de explotación de las ANNs.
Como resultado, se han desarrollado tres modelos principales para cada fase de estudio. El primero para la propagación del clima marítimo, utilizando a su vez otros dos modelos para proyectar el clima marítimo futuro y analizar sus tendencias. El segundo abarca la adaptación estructural ante las nuevas condiciones climáticas utilizando un modelo híbrido de ANNs y GAs. Finalmente, el tercer modelo, consiste en un enfoque híbrido de Deep Learning para analizar la agitación portuaria, combinando redes convencionales para el oleaje y redes convolucionales que procesan las imágenes del puerto. De esta manera se aborda el problema de adaptación con un enfoque integral.
A partir de estos modelos, se proponen una serie de reglas que pueden aplicarse en todo estudio de adaptación portuaria al cambio climático. El objetivo final es facilitar el desarrollo de modelos de IA y proporcionar un punto de partida.
Al comparar los modelos de IA con los convencionales, se ha comprobado que los de IA mejoran ligeramente la predicción del periodo de oleaje y son más eficientes. En el caso de la propagación del clima, se ha logrado reducir el tiempo de simulación hasta 20 veces en comparación con modelos numéricos, y hasta 10 veces en el caso de la agitación portuaria. Además, los modelos híbridos son mucho más eficientes que los modelos que incorporan una única técnica de IA.
La IA es el gran agente del cambio de este siglo y el cambio climático el gran problema. Tenemos que estar a la altura y empezar a implementar este tipo de metodologías. Los modelos de IA son modelos muy potentes y su eficacia está creciendo de manera exponencial, convirtiéndolos en una de las herramientas más prometedoras. Además, tenemos que luchar por acercar estos modelos a los técnicos y no solo limitarlos a la comunidad científica. Es aquí donde se enmarca esta tesis.
Climate change is probably the greatest challenge facing society in the 21st century. One of the most affected sectors is our ports and coastal systems and Spain and the Mediterranean region are especially vulnerable. More than 15% of Spain’s GDP relies on tourism, much of which is connected to coastal areas, making it a priority to address this issue if we want to avoid losses like those experienced during recent storms, such as Gloria in 2020, Filomena in 2021, or Nelson in 2024.
However, climate change is not a new phenomenon, scientists have been studying it for decades. Thanks to their efforts, we now have highly accurate numerical models capable of predicting maritime climate under various scenarios, as well as specific tools for studying the impact on our structures and ports.
Nevertheless, the high computational cost of these tools has limited adaptation studies to ports of greater economic and social importance. Smaller ports, which are likely to be more severely affected by climate change, have been left behind. Marinas and recreational terminals have shallower drafts, making them more vulnerable to the effects of rising sea levels. The increase in water levels alters diffraction patterns and operational functionality, putting their operability at risk. However, the lack of efficient computational tools has been an obstacle to analysing these smaller terminals. This is where this work focuses.
This project proposes a methodology based on Artificial Intelligence (AI) for port adaptation studies to climate change. This methodology addresses everything from climate projection to port agitation. The goal is to optimize the entire climate modelling process. This proposal offers an alternative to existing methodologies, but with lower computational cost, allowing for small-scale local studies in smaller ports.
Among the AI techniques, neural networks (ANNs) have been used with genetic algorithms (GAs). ANNs and GAs have been combined with Level III probabilistic methodologies to develop AI models, leveraging the data generation capabilities of probabilistic methodologies alongside the data exploitation capabilities of ANNs.
As a result, three main models have been developed for each phase of the study. The first model is for the propagation of maritime climate, with two other AI models to project future maritime climate and analyse its trends. The second model addresses structural adaptation to new climatic conditions using a hybrid model of ANNs and GAs. Finally, the third model consists of a hybrid Deep Learning approach to analyse port agitation, combining conventional networks that handle wave data and convolutional networks that process port images. This approach addresses the adaptation problem, covering all phases of adaptation studies: propagation of wave climate, structural assessments and operability analysis.
Based on these models, a set of rules is proposed that can be applied to any port adaptation study in response to climate change. The ultimate goal is to facilitate the development of AI models and provide a starting point.
When comparing AI models with conventional models, it was found that AI models slightly improve the prediction of wave periods and are more efficient. In the case of climate propagation, simulation time has been reduced by up to 20 times compared to numerical models, and by up to 10 times in the case of port agitation. Additionally, hybrid models are much more efficient than those incorporating a single AI technique.
AI is the major agent of change in this century, and climate change is the major challenge. We must start implementing these high-potential methodologies. AI models are powerful tools, and their effectiveness is growing exponentially, making them one of the most promising techniques. Furthermore, we must strive to bring these models closer to technical professionals and not limit them solely to the scientific community. This is where this thesis fits in.
RESUMEN
El cambio climático es probablemente el mayor desafío al que se enfrenta la sociedad en el siglo XXI, y uno de los sectores más afectados es nuestro sistema portuario y costero. En particular, España es especialmente vulnerable a sus impactos. Más del 15% del PIB español depende del turismo, gran parte del cual está vinculado a las zonas costeras.
No obstante, el cambio climático no es nada nuevo, científicos llevan décadas estudiándolo. De hecho, gracias a todos sus esfuerzos, hoy contamos con modelos numéricos muy precisos, así como herramientas específicas para estudiar la afección de nuestras estructuras y puertos.
Sin embargo, su alto coste computacional ha limitado los estudios de adaptación a los puertos de mayor importancia económica y social, pero son los puertos más pequeños los que más afectados se van a ver por el cambio climático. Las terminales deportivas y recreativas tienen un calado más pequeño, por lo que, al tener una profundidad menor, el impacto del cambio climático será mayor. El incremento de la lámina de agua altera los patrones de difracción y funcionamiento, poniendo en riesgo su operatividad. Sin embargo, la falta de herramientas computacionales más eficientes ha sido un obstáculo para analizar estas terminales más pequeñas. Es aquí donde se centra este trabajo.
Este proyecto propone una metodología basada en Inteligencia Artificial (IA) para estudios de adaptación portuaria al cambio climático. Esta metodología integral aborda desde la proyección del clima hasta la agitación portuaria. El objetivo es optimizar todo el proceso de modelado climático. Esta propuesta ofrece una alternativa a las metodologías existentes, pero con un coste computacional mucho menor.
De entre las técnicas de IA se han utilizado redes neuronales (ANNs) junto con algoritmos genéticos (GAs). Se han combinado las ANNs y GAs con metodologías probabilísticas de nivel III para desarrollar los modelos de IA, aprovechando la capacidad de generación de datos de las metodologías probabilísticas junto con la capacidad de explotación de las ANNs.
Como resultado, se han desarrollado tres modelos principales para cada fase de estudio. El primero para la propagación del clima marítimo, utilizando a su vez otros dos modelos para proyectar el clima marítimo futuro y analizar sus tendencias. El segundo abarca la adaptación estructural ante las nuevas condiciones climáticas utilizando un modelo híbrido de ANNs y GAs. Finalmente, el tercer modelo, consiste en un enfoque híbrido de Deep Learning para analizar la agitación portuaria, combinando redes convencionales para el oleaje y redes convolucionales que procesan las imágenes del puerto. De esta manera se aborda el problema de adaptación con un enfoque integral.
A partir de estos modelos, se proponen una serie de reglas que pueden aplicarse en todo estudio de adaptación portuaria al cambio climático. El objetivo final es facilitar el desarrollo de modelos de IA y proporcionar un punto de partida.
Al comparar los modelos de IA con los convencionales, se ha comprobado que los de IA mejoran ligeramente la predicción del periodo de oleaje y son más eficientes. En el caso de la propagación del clima, se ha logrado reducir el tiempo de simulación hasta 20 veces en comparación con modelos numéricos, y hasta 10 veces en el caso de la agitación portuaria. Además, los modelos híbridos son mucho más eficientes que los modelos que incorporan una única técnica de IA.
La IA es el gran agente del cambio de este siglo y el cambio climático el gran problema. Tenemos que estar a la altura y empezar a implementar este tipo de metodologías. Los modelos de IA son modelos muy potentes y su eficacia está creciendo de manera exponencial, convirtiéndolos en una de las herramientas más prometedoras. Además, tenemos que luchar por acercar estos modelos a los técnicos y no solo limitarlos a la comunidad científica. Es aquí donde se enmarca esta tesis. Read More
Related posts:
Los sistemas de información en el desarrollo de la adaptación : [Curso ACC. UD08]
Revisión sistemática de propuestas de medición de la resiliencia a sequías e inundaciones
Cooperación internacional frente al cambio climático: ¿actúan diferente la cooperación tradicional y la cooperación Sur-Sur?
El cambio climático global amenaza la producción mundial de alimentos
BMW i5, listo para circular en México
Análisis sectoriales de riesgos y oportunidades para la empresa : [Curso ACC. UD04]