Τα μοντέλα AI βοηθούν στην πρόβλεψη μεγάλων τροπικών κυμάτων και ωκεανικών ρευμάτων

Μια ομάδα ερευνητών έχει σχεδιάσει πρόσφατα ένα μοντέλο AI που είναι ικανό να προβλέψει ωκεανικές φαινόμενα που εκτείνονται σε εκατοντάδες μίλια/χιλιομέτρα, όπως οι τροπικές ασταθής κυματώσεις (TIW). Οι Τροπικές Ασταθής Κυματώσεις (TIW) είναι ένα ωκεανικό φαινόμενο που λαμβάνει χώρα στον Ειρηνικό Ωκεανό, κοντά στον ισημερινό. Οι TIW του Ειρηνικού Ωκεανού περιλαμβάνουν την κίνηση κυρτών, τριγωνικών κυμάτων που κινούνται δυτικά κατά μήκος των ορίων της ψυχρής γλώσσας των τροπικών – μιας περιοχής των τροπικών που είναι αξιοσημείωτα ψυχρότερη από τον ωκεανό που την περιβάλλει.

Οι περιβαλλοντικές παράμετροι που οδηγούν στις TIW είναι εξαιρετικά σύνθετες και το φαινόμενο είναι δύσκολο να προβλεφθεί. Η πρόβλεψη των TIW γίνεται παραδοσιακά με σύνθετα στατιστικά και φυσικά μοντέλα. Ωστόσο, μια ομάδα ερευνητών έχει σχεδιάσει πρόσφατα ένα μοντέλο AI που έχει ως στόχο να προβλέψει καλύτερα τις TIW και άλλα ωκεανικά φαινόμενα.

Σύμφωνα με το Phys.org, η ερευνητική ομάδα ήταν υπό την ηγεσία του Ινστιτούτου Ωκεανολογίας της Κινεζικής Ακαδημίας Επιστημών (IOCAS) Καθηγητή LI Xiaofeng, και η ομάδα περιελάμβανε επίσης μέλη από διάφορες κινεζικές θαλάσσιες επιστημονικές διαιρέσεις όπως το Πανεπιστήμιο του Σανγκάη και το Δεύτερο Ινστιτούτο Ωκεανολογίας του Υπουργείου Φυσικών Πόρων. Η ομάδα χρησιμοποίησε δεδομένα δορυφόρου για να σχεδιάσει ένα μοντέλο βαθιάς μάθησης που είχε ως στόχο να αναλύσει τις ασταθής κυματώσεις καθώς κινούνται χιλιάδες χιλιόμετρα μέσω του ωκεανού. Ακόμη και με παγκόσμια δεδομένα δορυφόρου, οι περιβαλλοντικές παράμετροι που επηρεάζουν τα ωκεανικά φαινόμενα possono να είναι δύσκολο να διακριθούν, αλλά ο στόχος είναι ότι τα μοντέλα AI μπορούν να κάνουν καλύτερη δουλειά στην ερμηνεία αυτών των متαιών και να κάνουν προβλέψεις από τα παραδοσιακά μοντέλα.

Το μοντέλο βαθιάς μάθησης που σχεδιάστηκε από τους ερευνητές χρησιμοποίησε δεδομένα θερμοκρασίας της επιφάνειας της θάλασσας που συλλέχθηκαν από δορυφόρους, αναλύοντας τα τρέχοντα πρότυπα και αντιπαραβάλλοντάς τα με δεδομένα θερμοκρασίας της επιφάνειας της θάλασσας που συλλέχθηκαν σε προηγούμενα χρόνια. Οι ερευνητές είχαν το μοντέλο εκπαιδευμένο και ελεγχόμενο σε περίπου εννέα χρόνια δεδομένων. Όταν αναλύθηκαν τα αποτελέσματα, οι ερευνητές βρήκαν ότι το μοντέλο ήταν σε θέση να προβλέψει με ακρίβεια και συνεχώς την αλλαγή της θερμοκρασίας της επιφάνειας της θάλασσας και να προβλέψει χρονικές και χωρικές παραλλαγές μέσα στις TIW ως αποτέλεσμα.

Η μελέτη υποδηλώνει ότι τα μοντέλα AI που υποστηρίζονται από μεγάλα σύνολα δεδομένων possono να είναι αξιόπιστοι τρόποι για την πρόβλεψη ακόμη και των πιο σύνθετων φαινομένων στα ωκεανικά.

“Τα μοντέλα AI, τα στατιστικά μοντέλα και τα παραδοσιακά αριθμητικά μοντέλα possono να συμπληρώσουν το ένα το άλλο και να παρέχουν μια νέα προοπτική για την μελέτη των σύνθετων ωκεανικών χαρακτηριστικών”, εξήγησε ο LI Xiaofeng σύμφωνα με το Phys.

Ελπίζεται ότι καθώς το μοντέλο βελτιώνεται και τελειοποιείται, θα βοηθήσει στην πρόβλεψη μεγάλων κυμάτων και θυελλών, το οποίο έχει πρακτικές εφαρμογές για τα συστήματα πλοήγησης του ωκεανού και την πρόβλεψη σοβαρών καιρικών φαινομένων που possono να βλάψουν τις παράκτιες πόλεις. Αυτού του είδους η έρευνα είναι ιδιαίτερα πολύτιμη σε ένα κόσμο όπου η κλιματική αλλαγή αλλάζει τον τρόπο με τον οποίο τα ωκεανικά ρεύματα κινούνται και αλληλεπιδρούν με το περιβάλλον γύρω τους. Η έρευνα που διεξήχθη από τον LI Xiaofeng και τους συναδέλφους του είναι μέρος μιας αυξανόμενης τάσης για την χρήση αλγορίθμων AI και δεδομένων δορυφόρου για να μάθουμε και να προβλέψουμε την κίνηση των ωκεανικών ρευμάτων και των σχετικών φαινομένων.

Ως άλλο παράδειγμα της χρήσης του AI για την παρακολούθηση και την πρόβλεψη ωκεανικών φαινομένων, νωρίτερα αυτό το χρόνο μια ομάδα ερευνητών από το Εργαστήριο Θαλάσσιας Βιολογίας του Plymouth και το Πανεπιστήμιο του Αιγαίου δημοσίευσε μια μελέτη που εξετάζει πώς οι αλγόριθμοι μηχανικής μάθησης και τα δεδομένα δορυφόρου possono να χρησιμοποιηθούν για την αναγνώριση περιοχών που συγκεντρώνονται πλαστικά απόβλητα και να παρακολουθούν την εξάπλωσή τους.

Η ομάδα έλαβε εικόνες δορυφόρου από πλαστικά απόβλητα και εκπαίδευσε ένα σύστημα αναγνώρισης εικόνων σε αυτές, με στόχο να δει αν το σύστημα μπορούσε να διακρίνει με ακρίβεια τις περιοχές των πλαστικών αποβλήτων από το ξύλο, τα φύκια και άλλα φυσικά πλωτά αντικείμενα. Σύμφωνα με τα αποτελέσματα της μελέτης, ο αλγόριθμος ήταν σε θέση να αναγνωρίσει σωστά τα απόβλητα περίπου 86% του χρόνου. Οι ερευνητές θέλουν να βελτιώσουν το μοντέλο και να δημιουργήσουν ένα σύστημα που θα μπορούσε να διευκολύνει την αναγνώριση και την καθαριότητα των πλαστικών αποβλήτων κατά μήκος των ακτών και των ποταμών.