Los modelos de IA ayudan a predecir grandes olas tropicales y corrientes oceánicas

Un equipo de investigadores ha diseñado recientemente un modelo de IA capaz de predecir fenómenos oceánicos que se extienden sobre cientos de millas/kilómetros, como las olas de inestabilidad tropical (TIW). Las olas de inestabilidad tropical (TIW) son un evento oceánico que tiene lugar en el océano Pacífico, cerca del ecuador. Las TIW del Pacífico involucran el movimiento de olas curvas y triangulares que se mueven hacia el oeste a lo largo de los bordes de la lengua fría del Pacífico tropical – una región de los trópicos notablemente más fría que el océano que la rodea.

Los factores ambientales que dan lugar a las TIW son extraordinariamente complejos y el fenómeno es difícil de predecir. La predicción de las TIW se realiza tradicionalmente con modelos estadísticos y físicos complejos. Sin embargo, un equipo de investigadores ha diseñado recientemente un modelo de IA destinado a predecir mejor las TIW y otros fenómenos oceánicos.

Según Phys.org, el equipo de investigación fue dirigido por el profesor LI Xiaofeng del Instituto de Oceanología de la Academia China de Ciencias (IOCAS), y el equipo también incluyó miembros de diversas divisiones de ciencias oceánicas chinas, como la Universidad Oceanográfica de Shanghái y el Segundo Instituto de Oceanología del Ministerio de Recursos Naturales. El equipo utilizó datos de satélite para diseñar un modelo de aprendizaje profundo destinado a analizar las olas de inestabilidad a medida que se mueven miles de kilómetros a través del océano. Incluso con datos de satélite globales, los factores ambientales que impactan los fenómenos oceánicos pueden ser difíciles de discernir, pero el objetivo es que los modelos de IA puedan hacer un mejor trabajo de descifrar estas variables y hacer predicciones que los modelos tradicionales.

El modelo de aprendizaje profundo que diseñaron los investigadores utilizó datos de temperatura de la superficie del mar recopilados por satélites, analizando patrones de corrientes y contrastándolos con datos de temperatura de la superficie recopilados en años anteriores. Los investigadores entrenaron y probaron el modelo con aproximadamente nueve años de datos. Cuando se analizaron los resultados, los investigadores encontraron que el modelo podía predecir con precisión y consistencia el cambio en la temperatura de la superficie del mar y predecir variaciones temporales y espaciales dentro de las TIW como resultado.

El estudio implica que los modelos de IA respaldados por grandes conjuntos de datos pueden ser formas confiables de predecir incluso algunos de los fenómenos más complejos de los océanos.

“Los modelos basados en IA, los modelos estadísticos y los modelos numéricos tradicionales pueden complementarse entre sí y proporcionar una perspectiva novedosa para estudiar características oceánicas complicadas”, explicó LI Xiaofeng según Phys.

Se espera que, a medida que se mejore y perfeccione el modelo, asistirá en la predicción de grandes olas y tormentas, lo que tiene aplicaciones prácticas para los sistemas de navegación oceánica y la predicción de eventos climáticos severos que pueden dañar las ciudades costeras. Este tipo de investigación es particularmente valioso en un mundo donde el cambio climático está alterando la forma en que las corrientes oceánicas se mueven y interactúan con el entorno que las rodea. La investigación realizada por LI Xiaofeng y sus colegas es parte de una tendencia creciente de utilizar algoritmos de IA y datos de satélite para aprender y predecir el movimiento de las corrientes oceánicas y los fenómenos relacionados.

Como otro ejemplo de cómo se utiliza la IA para rastrear y predecir fenómenos oceánicos, a principios de este año, un equipo de investigadores del Laboratorio Marino de Plymouth y la Universidad del Egeo publicó un estudio que examina cómo los algoritmos de aprendizaje automático y los datos de satélite pueden utilizarse para identificar áreas de concentración de residuos plásticos y rastrear su propagación.

El equipo tomó imágenes de satélite de residuos plásticos y entrenó un sistema de identificación de imágenes en ellas, con el objetivo de ver si el sistema podía discernir con precisión parches de basura plástica de la madera, el algas y otros objetos flotantes naturales. Según los resultados del estudio, el algoritmo pudo identificar correctamente la basura aproximadamente el 86% de las veces. Los investigadores desean mejorar el modelo y crear un sistema que pueda facilitar la identificación y limpieza de residuos plásticos a lo largo de las costas y los ríos.