Αναπτύσσονται τεχνικές μοντελοποίησης, πρόβλεψης της θέσης της ακτογραμμής με χρήση ανεπτυγμένων τεχνητών νευρωνικών δικτύων (Artificial Neural Networks – ANNs). Οι τεχνικές αυτές εφαρμόζονται σε γεω-αναφερμένα μετα-δεδομένα του οπτικού συστήματος (TIMEX εικόνες) και βασίζονται στη χρήση, ανάπτυξη και βελτιστοποίηση εξειδικευμένων αλγοριθμικών μεθοδολογιών (π.χ. Radial Basis Function Neural Network (RBFNN) - Competitive Learning Network (TSK-CLN)). Σε προηγούμενες ερευνητικές προσπάθειες, φάνηκε πως έπειτα από κατάλληλη εκπαίδευση και σύγκριση των προβλέψεων των διαφορετικών νευρωνικών δικτύων, τα μέσα τετραγωνικά σφάλματα (RMSEs) είχαν πολύ καλές αποδόσεις (μικρότερα των 3 m κατά περίπτωση). Tα ανεπτυγμένα τεχνητά νευρωνικά δίκτυα αναμένεται να δοκιμαστούν πιο εκτεταμένα, στις χρονοσειρές οπτικών και κυματικών δεδομένων προερχόμενων από τις 2 πιλοτικές παραλίες. Πιο συγκεκριμένα, δοκιμάζονται/αναπτύσσονται 4 τεχνητά νευρωνικά δίκτυα διαφορετικών αλγοριθμικών διεργασιών : 1) ένα Takagi-Sugeno-Kang σύστημα το οποίο περιλαμβάνει τον ευρέως χρησιμοποιούμενο αλγόριθμο «οπρισθοανίχνευσης» (Backtracking Search Algorithm) (TSK-BSA), 2) ένα σύστημα 5 επιπέδων στο οποίο προστέθηκε ο ίδιος αλγόριθμος οπισθοανίχνευσης (ΝΒΝ-BSA ), 3) ένα σύστημα 4 επιπέδων το οποίο συνδυάζει τη δομή ΤSK μαζί με ένα «ανταγωνιστικό σύστημα εκμάθησης» (Competitive Learning Network) (TSK-CLN ) που βασίζεται σε τεχνικές που έδειξαν καλά αποτελέσματα στο παρελθόν, και 4) ένα νευρωνικό δίκτυο το οποίο χρησιμοποιεί μια συνάρτηση ακτινικής βάσης (Radial Basis Function( (RBFNN).
Τα αναπτυχθέντα τεχνητά νευρωνικά δίκτυα δοκιμάζονται σε συγχρονισμένες χρονοσειρές οπτικών και κυματικών δεδομένων που περιλαμβάνουν τις ακόλουθες παραμέτρους : 1) Σημαντικό ύψος κύματος (Hs), 2) Περίοδο κορυφής φάσματος (Τp), 3) διορθωμένη θαλ. στάθμη (SL), 4) η θέση του ανώτατου ορίου της κυματικής αναρρίχησης, και 5) η θέση της ακτογραμμής σε επιλεγμένες και ισαπέχουσες θέσεις-παραλιακά προφίλ. H χρονοσειρά δεδομένων χωρίζεται με τέτοιο τρόπο ώστε το 60% να αποτελεί χρονοσειρά «εκπαίδευσης - εκμάθησης» των δικτύων, ενώ το 40% χρονοσειρά πρόβλεψης και επανέλεγχου. Αξίζει να αναφερθεί πως ο υπολογιστικός χρόνος κάθε προσομοίωσης είναι μικρότερος από μερικά δευτερόλεπτα. Τέτοιου τύπου καινοτόμες προσεγγίσεις εναλλακτικής μοντελοποίησης είναι εξαιρετικά ελπιδοφόρες για ευρύτερη χρήση τους στα πολύπλοκα φυσικά περιβάλλοντα των παραλιακών συστημάτων.
