Naslov doktorske disertacije: Metode globokega učenja za napovedovanje višine morske gladine (Deep learning methods for sea surface height forecasting)

Povzetek: 

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 nekalibrirane vertikalne datume, se HIDRA-D nauči samodejno uskladiti te različne vire in s tem učinkovito kalibrira 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.

Prostor zagovora/Termin zagovora: izvedba predstavitve bo potekala hibridno (v Diplomski sobi na Fakulteti za računalništvo in informatik ter v online okolju), četrtek 14. 5. 2026 ob 9:15.

Komisija za spremljanje doktorske disertacije:

• doc. dr. Jana Faganeli Pucer, predsednica
• prof. dr. Vitomir Štruc, član
• dr. Ivica Vilibić, član

Mentor: prof. dr. Matej Kristan

Somentor: doc. ddr. Matjaž Ličer

Povezava do video kanala, po katerem se bo prenašal zagovor in ga bo možno spremljati, bo dodana najkasneje na dan zagovora (predvidoma 30 minut pred terminom izvedbe zagovora) na spletni strani: https://ucilnica.fri.uni-lj.si/course/view.php?id=359