Thesis:

Identificación automática de patrones de rotura del oleaje en la zona rompiente mediante una red neuronal convolucional denominada U-Net

La rotura del oleaje es el principal fenómeno físico que ocurre en la interacción oleaje-costa y se caracteriza por ser altamente dinámico y caótico, con variaciones espacio-temporales. Debido a esto, ha sido sumamente difícil contar con un algoritmo suficientemente robusto para realizar una identificación eficiente y precisa de estos patrones de rotura en imágenes de video y/o radar dentro de la comunidad costera. Sin embargo, el oleaje en rotura es un proceso fácilmente discernible para los ojos humanos que, gracias al eficiente funcionamiento de la corteza cerebral, permite identificar estos patrones bajo diferentes condiciones de oleaje y climáticas. En este trabajo se presenta un novedoso método basado en el uso de redes neuronales convolucionales, las cuales replican el funcionamiento de la corteza visual biológica, para identificar patrones bidimensionales de rotura de forma automática desde imágenes de video. El presente método, que solo depende de mediciones en el rango electro-óptico, demostró ser suficientemente robusto bajo diversas condiciones climáticas y de oleaje, y es capaz de hacer predicciones de forma computacionalmente eficiente. Esto se puede entender como una mejora a la metodología propuesta por Catalán et al. (2011), que, hasta nuestro conocimiento, es la única metodología en la literatura que permite la identificación de patrones de rotura de forma bidimensional. A su vez, este avance permitiría mejorar las metodologías que dependen de los patrones de rotura del oleaje como entrada y así estimar, por ejemplo, cambios en el nivel medio del mar (Flores et al., 2016) o estimaciones de las corrientes medias o corrientes de retorno (Díaz et al., 2018) de forma más eficiente. Por último, el modelo U-Net presentado en este trabajo demostró un destacable rendimiento en la identificación de oleaje en rotura sobre imágenes completamente nuevas en una playa cerca de Las Cruces, Chile. Estas imágenes fueron obtenidas mediante el uso de dron, permitiendo utilizar diferentes formas de adquisición para implementar la metodología propuesta. Esto abre la posibilidad de extender esta línea de investigación y tratar de generalizar este método para poder identificar patrones de rotura en diferentes playas en tiempo real. Por esta razón, los algoritmos y conjuntos de datos utilizados en este trabajo se colocan a disposición de la comunidad.

Wave breaking is the main physical phenomenon occurring at the wave-coast interaction and is characterized by being highly dynamic and chaotic with spatio-temporal variations. Because of this, it has been extremely difficult to develop a sufficiently robust algorithm to efficiently and accurately identify these breaking patterns in video and/or radar images within the coastal community. However, breaking waves are easily discernible to the human eye, thanks to the efficient functioning of the cerebral cortex, which allows for the identification of these patterns under different wave and climatic conditions. This work presents a novel method based on the use of convolutional neural networks, which replicate the functioning of the biological visual cortex, to automatically identify two-dimensional breaking patterns from video images. The proposed method relies solely on measurements in the electro-optical range, demonstrating robustness under diverse climatic and wave conditions and computational efficiency in making predictions. This can be understood as an improvement over the methodology proposed by Catalán et al. (2011), which, to our knowledge, is the only methodology in the literature that allows for the bidimensional identification of breaking wave patterns. Furthermore, this advancement could enhance methodologies that rely on breaking wave patterns as inputs, enabling more efficient estimations of, for example, mean sea level changes (Flores et al., 2016) or mean and return currents (Díaz et al., 2018). Finally, the U-Net model presented in this work showed remarkable performance in identifying breaking waves in completely new images taken at a beach near Las Cruces, Chile. These images were obtained using a drone, allowing for different acquisition methods to implement the proposed methodology. This opens the possibility to extend this line of research and generalize the method to identify breaking wave patterns on different beaches in real-time. For this reason, the algorithms and datasets used in this work are made available to the community.