AI-mallit auttavat ennustamaan suuria trooppisia aaltoja ja merivirtoja

Tutkijaryhmä on suunnitellut äskettäin AI-mallin, joka pystyy ennustamaan satojen mailien/kilometrien laajuisia oseanisen ilmiöitä, kuten trooppisia epävakausaaltoja (TIW). Trooppiset epävakausaallot (TIW) ovat oseaninen ilmiö, joka tapahtuu Tyynessä valtameressä lähellä päiväntasaajaa. Tyynen valtameren TIW käsittää kaarevien, kolmioiden aaltojen liikkeen, jotka liikkuvat länteen trooppisen Tyynen valtameren kylmän kielen reunalla – alue, joka on huomattavasti kylmempää kuin ympäröivä meri.

Ympäristötekijät, jotka johtavat TIW:hen, ovat erittäin monimutkaisia, ja ilmiön ennustaminen on vaikeaa. TIW:n ennustaminen tehdään perinteisesti monimutkaisilla tilastollisilla ja fysikaalisilla malleilla. Tutkijaryhmä on kuitenkin suunnitellut äskettäin AI-mallin, joka on tarkoitettu parantamaan TIW:n ja muiden oseanisten ilmiöiden ennustamista.

Phys.org:n mukaan tutkijaryhmää johti Kiinan tiedeakatemian merentutkimusinstituutin (IOCAS) professori LI Xiaofeng, ja ryhmään kuului jäseniä eri kiinalaisista merentutkimuslaitoksista, kuten Shanghain merentutkimusyliopistosta ja Kiinan luonnonvarainstituutin toisesta merentutkimuslaitoksesta. Ryhmä käytti satelliittidataa suunnitellessaan syväoppimismallia, joka on tarkoitettu analysoimaan epävakausaaltoja, kun ne liikkuvat tuhansien kilometrien matkan meressä. Vaikka globaalit satelliittidat ovat käytettävissä, ympäristötekijät, jotka vaikuttavat oseanisiin ilmiöihin, voivat olla vaikeita havaita, mutta tavoitteena on, että AI-mallit voivat tehdä paremmin näiden muuttujien tulkitsemisen ja ennustamisen kuin perinteiset mallit.

Syväoppimismalli, jonka tutkijat suunnittelivat, käytti merenpinnan lämpötiladataa, jota kerättiin satelliiteilla, ja analysoi virtaamismalleja ja kontrastoi niitä merenpinnan lämpötiladataa, jota kerättiin aiemmin. Tutkijat kouluttivat ja testasivat mallia noin yhdeksän vuoden ajan. Kun tulokset analysoitiin, tutkijat totesivat, että malli pystyi tarkasti ja johdonmukaisesti ennustamaan merenpinnan lämpötilan muutosta ja ennustamaan aikasarja- ja paikalliset vaihtelut TIW:ssä.

Tutkimus osoittaa, että AI-mallit, jotka perustuvat suuriin tietojoukkoihin, voivat olla luotettavia tapoja ennustaa jopa monimutkaisimpia oseanisia ilmiöitä.

“AI-pohjaiset mallit, tilastolliset mallit ja perinteiset numeeriset mallit voivat täydentää toisiaan ja tarjota uuden näkökulman monimutkaisten oseanisten ominaisuuksien tutkimiseen”, LI Xiaofeng selitti Phys.org:ssa.

Toivotaan, että kun malli parannetaan ja täydennetään, se auttaa suurten aaltojen ja myrskyjen ennustamisessa, mikä on käytännöllistä sovellutusta merenkulkujärjestelmissä ja vakavien sääilmiöiden ennustamisessa, jotka voivat vahingoittaa rannikkoalueita. Tämänkaltaista tutkimusta on erityisen arvokasta maailmassa, jossa ilmastonmuutos muuttaa, miten merivirrat liikkuvat ja vuorovaikuttavat ympäröivän ympäristön kanssa. LI Xiaofengin ja hänen kollegoidensa tutkimus on osa kasvavaa trendiä, jossa käytetään AI-algoritmeja ja satelliittidataa oseanisten virtausten ja niihin liittyvien ilmiöiden tutkimiseen ja ennustamiseen.

Esimerkkinä AI:n käytöstä oseanisten ilmiöiden seuraamiseen ja ennustamiseen on aiemmin tänä vuonna julkaistu tutkimus, jossa Plymouthin merentutkimuslaitoksen ja Aegeanin yliopiston tutkijat tutkivat, miten koneoppimisalgoritmit ja satelliittidata voidaan käyttää keskittyneen muovijätteen tunnistamiseen ja sen leviämisen seuraamiseen.

Tutkijat ottivat satelliittikuvia muovijätteestä ja kouluttivat kuvaidentifioimisjärjestelmän niiden avulla, tarkoituksenaan nähdä, voisiuko järjestelmä tarkasti erottaa muovijätteen puusta, merilevästä ja muista luonnollisista kelluvista esineistä. Tutkimuksen tuloksien mukaan algoritmi pystyi oikein tunnistamaan jätteen noin 86 prosentissa tapauksista. Tutkijat haluavat parantaa mallia ja luoda järjestelmän, joka voisi helpottaa muovijätteen tunnistamista ja siivoustyötä rannikoilla ja joissa.