KI-Modelle helfen bei der Vorhersage großer tropischer Wellen und Ozeanströmungen

Ein Team von Forschern hat kürzlich ein KI-Modell entwickelt, das in der Lage ist, ozeanische Phänomene vorherzusagen, die sich über hunderte von Meilen/Kilometern erstrecken, wie tropische Instabilitätswellen (TIW). Tropische Instabilitätswellen (TIW) sind ein ozeanisches Ereignis, das im Pazifischen Ozean in der Nähe des Äquators stattfindet. Die pazifischen TIW beinhalten die Bewegung von gekrümmten, dreieckigen Wellen, die sich westwärts entlang der Ränder des tropischen kalten Zungen (eine Region der Tropen, die auffallend kälter ist als der umgebende Ozean) bewegen.

Die Umweltfaktoren, die zu TIW führen, sind außerordentlich komplex und das Phänomen ist schwer vorherzusagen. Die Vorhersage von TIW wird traditionell mit komplexen statistischen und physikalischen Modellen durchgeführt. Ein Team von Forschern hat jedoch kürzlich ein KI-Modell entwickelt, das darauf abzielt, TIW und andere ozeanische Phänomene besser vorherzusagen.

Laut Phys.org wurde das Forschungsteam von Professor LI Xiaofeng vom Institut für Ozeanologie der Chinesischen Akademie der Wissenschaften (IOCAS) geleitet und umfasste auch Mitglieder aus verschiedenen chinesischen Meereswissenschaftsabteilungen wie der Shanghai Ocean University und dem Second Institute of Oceanology des Ministeriums für Natürliche Ressourcen. Das Team nutzte Satellitendaten, um ein Deep-Learning-Modell zu entwickeln, das darauf abzielt, die Instabilitätswellen zu analysieren, während sie Tausende von Kilometern durch den Ozean ziehen. Selbst mit globalen Satellitendaten können die Umweltfaktoren, die ozeanische Phänomene beeinflussen, schwer zu erkennen sein, aber das Ziel ist, dass KI-Modelle diese Variablen besser entschlüsseln und Vorhersagen treffen können als traditionelle Modelle.

Das Deep-Learning-Modell, das die Forscher entwickelten, nutzte Meeresoberflächentemperaturdaten, die von Satelliten gesammelt wurden, und analysierte aktuelle Muster und verglich sie mit Oberflächentemperaturdaten aus vergangenen Jahren. Die Forscher trainierten und testeten das Modell mit etwa neun Jahren Daten. Als die Ergebnisse analysiert wurden, stellten die Forscher fest, dass das Modell in der Lage war, die Änderung der Meeresoberflächentemperatur genau und konsistent vorherzusagen und zeitliche und räumliche Variationen innerhalb von TIW vorherzusagen.

Die Studie legt nahe, dass KI-Modelle, die von großen Datensätzen unterstützt werden, zuverlässige Methoden zur Vorhersage sogar der komplexesten Phänomene in den Ozeanen sein können.

“KI-basierte Modelle, statistische Modelle und traditionelle numerische Modelle können sich gegenseitig ergänzen und eine neue Perspektive für die Erforschung komplizierter ozeanischer Merkmale bieten”, erklärte LI Xiaofeng laut Phys.

Es wird gehofft, dass das Modell, wenn es verbessert und verfeinert wird, bei der Vorhersage großer Wellen und Stürme helfen kann, was praktische Anwendungen für Ozeannavigationsysteme und die Vorhersage von schweren Wetterereignissen hat, die Küstenstädte schädigen können. Diese Art von Forschung ist besonders wertvoll in einer Welt, in der der Klimawandel die Art und Weise, wie Ozeanströmungen sich bewegen und mit ihrer Umgebung interagieren, verändert. Die von LI Xiaofeng und Kollegen durchgeführte Forschung ist Teil einer wachsenden Tendenz, KI-Algorithmen und Satellitendaten zu verwenden, um die Bewegung von Ozeanströmungen und verwandten Phänomenen zu erforschen und vorherzusagen.

Als ein weiteres Beispiel für die Verwendung von KI zur Verfolgung und Vorhersage ozeanischer Phänomene veröffentlichte ein Team von Forschern vom Plymouth Marine Laboratory und der Universität der Ägäis Anfang dieses Jahres eine Studie, in der untersucht wurde, wie maschinelle Lernalgorithmen und Satellitendaten verwendet werden können, um Gebiete mit konzentrierten Plastikmüll zu identifizieren und dessen Ausbreitung zu verfolgen.

Das Team nahm Satellitenbilder von Plastikmüll auf und trainierte ein Bilderkennungssystem darauf, um zu sehen, ob das System in der Lage war, Plastikmüll genau von Holz, Seetang und anderen natürlichen schwimmenden Objekten zu unterscheiden. Laut den Ergebnissen der Studie konnte der Algorithmus Müll etwa 86% der Zeit richtig identifizieren. Die Forscher möchten das Modell verbessern und ein System entwickeln, das die Identifizierung und Reinigung von Plastikmüll entlang von Küsten und Flüssen erleichtern kann.