Les modèles d’IA aident à prédire les grandes vagues tropicales et les courants océaniques

Une équipe de chercheurs a récemment conçu un modèle d’IA capable de prévoir les phénomènes océaniques qui s’étendent sur des centaines de miles/kilomètres, comme les vagues d’instabilité tropicale (TIW). Les vagues d’instabilité tropicale (TIW) sont un phénomène océanique qui se produit dans l’océan Pacifique, près de l’équateur. Les TIW du Pacifique impliquent le mouvement d’ondes courbes, triangulaires qui se déplacent vers l’ouest le long des bords de la langue froide tropicale – une région des tropiques notablement plus froide que l’océan qui l’entoure.

Les facteurs environnementaux qui donnent naissance aux TIW sont extrêmement complexes et le phénomène est difficile à prévoir. La prévision des TIW est traditionnellement effectuée avec des modèles statistiques et physiques complexes. Cependant, une équipe de chercheurs a récemment conçu un modèle d’IA destiné à mieux prédire les TIW et d’autres phénomènes océaniques.

Selon Phys.org, l’équipe de recherche était dirigée par le professeur LI Xiaofeng de l’Institut d’océanologie de l’Académie des sciences de Chine (IOCAS), et l’équipe comprenait également des membres de diverses divisions des sciences océaniques chinoises, comme l’Université des sciences de la mer de Shanghai et le deuxième institut d’océanologie du ministère des Ressources naturelles. L’équipe a utilisé des données satellitaires pour concevoir un modèle d’apprentissage profond destiné à analyser les vagues d’instabilité à mesure qu’elles se déplacent sur des milliers de kilomètres à travers l’océan. Même avec des données satellitaires mondiales, les facteurs environnementaux qui impactent les phénomènes océaniques peuvent être difficiles à discerner, mais l’objectif est que les modèles d’IA puissent faire un meilleur travail pour déchiffrer ces variables et faire des prévisions que les modèles traditionnels.

Le modèle d’apprentissage profond conçu par les chercheurs a utilisé des données de température de surface de la mer collectées par des satellites, en analysant les modèles de courant et en les comparant avec des données de température de surface collectées dans les années précédentes. Les chercheurs ont formé et testé le modèle sur environ neuf ans de données. Lorsque les résultats ont été analysés, les chercheurs ont constaté que le modèle était capable de prédire avec précision et de manière cohérente le changement de température de surface de la mer et de prédire les variations temporelles et spatiales au sein des TIW.

L’étude implique que les modèles d’IA soutenus par de grandes bases de données peuvent être des moyens fiables de prévoir même les phénomènes les plus complexes dans les océans.

« Les modèles basés sur l’IA, les modèles statistiques et les modèles numériques traditionnels peuvent se compléter mutuellement et fournir une perspective nouvelle pour étudier les caractéristiques océaniques compliquées », a expliqué LI Xiaofeng selon Phys.

On espère que, à mesure que le modèle sera amélioré et affiné, il aidera à prédire les grandes vagues et les tempêtes, ce qui a des applications pratiques pour les systèmes de navigation océanique et la prévision des événements météorologiques violents qui pourraient nuire aux villes côtières. Cette recherche est particulièrement précieuse dans un monde où le changement climatique modifie la façon dont les courants océaniques se déplacent et interagissent avec l’environnement qui les entoure. La recherche menée par LI Xiaofeng et ses collègues fait partie d’une tendance croissante à utiliser les algorithmes d’IA et les données satellitaires pour apprendre et prédire le mouvement des courants océaniques et des phénomènes connexes.

Comme un autre exemple de l’utilisation de l’IA pour suivre et prédire les phénomènes océaniques, une équipe de chercheurs du Plymouth Marine Laboratory et de l’Université de l’Égée a publié une étude plus tôt cette année examinant comment les algorithmes d’apprentissage automatique et les données satellitaires peuvent être utilisés pour identifier les zones de déchets plastiques concentrés et suivre leur propagation.

L’équipe a pris des images satellitaires de déchets plastiques et a formé un système d’identification d’images pour les analyser, dans le but de voir si le système pouvait discerner avec précision les patches de déchets plastiques des bois, des algues et d’autres objets flottants naturels. Selon les résultats de l’étude, l’algorithme a été capable d’identifier correctement les déchets environ 86 % du temps. Les chercheurs veulent améliorer le modèle et créer un système qui pourrait faciliter l’identification et le nettoyage des déchets plastiques le long des côtes et des rivières.