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

Et hold af forskere har nylig designet en AI-model, der kan forudse oceaniske fænomener, der strækker sig over hundredvis af miles/kilometer, som tropiske ustabilitetsbølger (TIW). Tropiske Ustabilitetsbølger (TIW) er et oceanisk fænomen, der finder sted i Stillehavet nær ækvator. Stillehavets TIW indebærer bevægelsen af kurvede, trekantede bølger, der bevæger sig vestpå langs kanten af den tropiske Stillehavskolde tunge – en region i tropikerne, der er bemærkelsesværdigt koldere end havet omkring det.

De miljømæssige faktorer, der giver anledning til TIW, er ekstraordinært komplekse, og fænomenet er svært at forudse. Forudsigelse af TIW foretages traditionelt med komplekse statistiske og fysiske modeller. Men et hold af forskere har nylig designet en AI-model, der er beregnet til bedre at forudse TIW’er og andre oceaniske fænomener.

Ifølge Phys.org var forskningsteamet ledet af professor LI Xiaofeng fra Institute of Oceanology of the Chinese Academy of Sciences (IOCAS), og teamet inkluderede også medlemmer fra forskellige kinesiske oceaniske videnskabsafdelinger som Shanghai Ocean University og Second Institute of Oceanology of Ministry of Natural Resources. Teamet brugte satellitdata til at designe en dyb læring-model, der er beregnet til at analysere ustabilitetsbølgerne, mens de bevæger sig tusindvis af kilometer gennem havet. Selv med globale satellitdata kan de miljømæssige faktorer, der påvirker oceaniske fænomener, være svære at skelne, men målet er, at AI-modeller kan gøre en bedre job med at tyde disse variable og gøre forudsigelser end traditionelle modeller.

Den dybe læring-model, som forskerne designede, brugte havoverfladetemperaturdata indsamlet af satellitter, analyserede strømningsmønstre og kontrasterede dem med overfladetemperaturdata indsamlet i år før. Forskerne havde modellen trænet og testet på omkring ni års data. Da resultaterne blev analyseret, fandt forskerne, at modellen kunne nøjagtigt og konsekvent forudse ændringen i havoverfladetemperatur og forudse tidsmæssige og rumlige variationer inden for TIW som følge.

Studiet antyder, at AI-modeller, der er understøttet af store datasæt, kan være pålidelige måder at forudse selv nogle af de mest komplekse fænomener i havet.

“AI-baserede modeller, statistiske modeller og traditionelle numeriske modeller kan supplere hinanden og give en ny perspektiv for at studere komplicerede oceaniske funktioner,” forklarede LI Xiaofeng ifølge Phys.

Det håbes, at når modellen bliver forbedret og raffineret, vil den kunne hjælpe med at forudse store bølger og storme, hvilket har praktiske anvendelser for havnavigationssystemer og forudsigelse af alvorlige vejrforhold, der kan skade kystbyer. Denne type forskning er særligt værdifuld i en verden, hvor klimaforandringer ændrer, hvordan havstrømme bevæger sig og interagerer med miljøet omkring dem. Forskningen, der er udført af LI Xiaofeng og kolleger, er en del af en voksende trend med at bruge AI-algoritmer og satellitdata til at lære om og forudse bevægelsen af havstrømme og relaterede fænomener.

Som et andet eksempel på, at AI bliver brugt til at spore og forudse oceaniske fænomener, offentliggjorde et hold af forskere fra Plymouth Marine Laboratory og University of the Aegean tidligere på året en studie, der undersøgte, hvordan maskinlæringsalgoritmer og satellitdata kan bruges til at identificere områder med koncentreret plastaffald og spore dets udbredelse.

Teamet tog satellitbilleder af plastaffald og trænede et billedidentifikationssystem på dem, med det formål at se, om systemet kunne nøjagtigt skelne mellem flader af plastaffald og træ, tang og andre naturlige flydende objekter. Ifølge studiens resultater kunne algoritmen korrekt identificere affald omkring 86% af tiden. Forskerne ønsker at forbedre modellen og skabe et system, der kan facilitere identifikationen og rydningen af plastaffald langs kystlinjer og floder.