AI-modeller hjælper med at forudsige store tropiske bølger og havstrømme

Et team af forskere har for nylig designet en AI-model, der er i stand til at forudsige oceaniske fænomener, der strækker sig over hundreder af miles/kilometer, såsom tropiske ustabilitetsbølger (TIW). Tropical Instability Waves (TIW) er en oceanisk begivenhed, der finder sted i Stillehavet, nær ækvator. Pacific TIW involverer bevægelsen af ​​buede, trekantede bølger, der bevæger sig mod vest langs kanterne af den tropiske stillehavskolde tunge - en region i troperne, der er væsentligt koldere end havet, der omgiver den.

De miljømæssige faktorer, der giver anledning til TIW, er ekstraordinært komplekse, og fænomenet er svært at forudsige. Forudsigelse af TIW udføres traditionelt med komplekse statistiske og fysiske modeller. Det har et hold forskere dog for nylig designet en AI-model beregnet til bedre at forudsige TIW'er og andre havfænomener.

Ifølge Phys.org, forskerholdet blev ledet af Institut for Oceanologi ved Det Kinesiske Videnskabsakademi (IOCAS) professor LI Xiaofeng, og holdet omfattede også medlemmer fra forskellige kinesiske oceanvidenskabelige afdelinger som Shanghai Ocean University og Second Institute of Oceanology i Ministeriet for Naturressourcer . Holdet brugte satellitdata til at designe en dyb læringsmodel beregnet til at analysere ustabilitetsbølgerne, når de bevæger sig tusindvis af kilometer gennem havet. Selv med globale satellitdata kan de miljømæssige faktorer, der påvirker oceaniske fænomener, være svære at gennemskue, men målet er, at AI-modeller kan gøre et bedre stykke arbejde med at dechifrere disse variabler og lave forudsigelser end traditionelle modeller.

Den dybe læringsmodel, som forskerne designede, brugte havoverfladetemperaturdata indsamlet af satellitter, analyserede nuværende mønstre og kontrasterede dem med overfladetemperaturdata indsamlet i år tidligere. Forskerne fik modellen trænet og testet på cirka ni års data. Da resultaterne blev analyseret, fandt forskerne ud af, at modellen var i stand til nøjagtigt og konsekvent at forudsige ændringen i havoverfladetemperaturen og forudsige tidsmæssige og rumlige variationer inden for TIW som et resultat.

Undersøgelsen antyder, at AI-modeller understøttet af store datasæt kan være pålidelige måder at forudsige selv nogle af de mest komplekse fænomener i havene.

"AI-baserede modeller, statistiske modeller og traditionelle numeriske modeller kan supplere hinanden og give et nyt perspektiv til at studere komplicerede oceaniske træk," forklarede LI Xiaofeng ifølge Phys.

Det er håbet, at efterhånden som modellen er forbedret og raffineret, vil den hjælpe med forudsigelsen af ​​store bølger og storme, som har praktiske anvendelser til havnavigationssystemer og forudsigelse af alvorlige vejrbegivenheder, der kan skade kystbyer. Denne type forskning er særlig værdifuld i en verden, hvor klimaændringer ændrer, hvordan havstrømme bevæger sig og interagerer med miljøet omkring dem. Forskningen udført af LI Xiaofeng og kolleger er en del af en voksende tendens til at bruge AI-algoritmer og satellitdata til at lære om og forudsige bevægelsen af ​​havstrømme og relaterede fænomener.

Som endnu et eksempel på, at kunstig intelligens bliver brugt til at spore og forudsige oceaniske fænomener, offentliggjorde et team af forskere fra Plymouth Marine Laboratory og University of the Aegean tidligere på året en undersøgelse, der undersøgte, hvordan maskinlæringsalgoritmer og satellitdata kan bruges til at identificere områder med koncentreret plastaffald og spore dets spredning.

Holdet tog satellitbilleder af plastikaffald og trænede et billedidentifikationssystem på dem, med det formål at se, om systemet nøjagtigt kunne skelne pletter af plastikaffald fra træ, tang og andre naturlige flydende genstande. Ifølge resultaterne af undersøgelsen var algoritmen i stand til korrekt at identificere affald cirka 86% af tiden. Forskerne ønsker at forbedre modellen og skabe et system, der kan lette identifikation og oprydning af plastikaffald langs kyster og floder.