AI-modellen helpen bij het voorspellen van grote tropische golven en oceaanstromen

Een team van onderzoekers heeft onlangs een AI-model ontworpen dat in staat is om oceaanfenomenen te voorspellen die zich over honderden kilometers uitstrekken, zoals tropische instabiliteitsgolven (TIW). Tropische Instabiliteitsgolven (TIW) zijn een oceaanfenomeen dat plaatsvindt in de Stille Oceaan, nabij de evenaar. De Stille Oceaan TIW houdt de beweging in van gebogen, driehoekige golven die westwaarts langs de randen van de tropische Stille Oceaan koude tong bewegen – een regio van de tropen die opvallend kouder is dan de oceaan eromheen.

De milieufactoren die leiden tot TIW zijn buitengewoon complex en het fenomeen is moeilijk te voorspellen. Het voorspellen van TIW gebeurt traditioneel met complexe statistische en fysieke modellen. Echter, een team van onderzoekers heeft onlangs een AI-model ontworpen dat bedoeld is om TIW’s en andere oceaanfenomenen beter te voorspellen.

Volgens Phys.org stond het onderzoeksteam onder leiding van Professor LI Xiaofeng van het Instituut voor Oceanologie van de Chinese Academie van Wetenschappen (IOCAS), en het team omvatte ook leden van verschillende Chinese oceanografische afdelingen, zoals de Shanghai Ocean University en het Tweede Instituut voor Oceanologie van het Ministerie van Natuurlijke Hulpbronnen. Het team maakte gebruik van satellietgegevens om een diep lerend model te ontwerpen dat bedoeld was om de instabiliteitsgolven te analyseren terwijl ze duizenden kilometers door de oceaan bewogen. Zelfs met mondiale satellietgegevens kunnen de milieufactoren die oceaanfenomenen beïnvloeden moeilijk te onderscheiden zijn, maar het doel is dat AI-modellen deze variabelen beter kunnen ontcijferen en voorspellingen doen dan traditionele modellen.

Het diep lerende model dat de onderzoekers ontwierpen, maakte gebruik van gegevens over de zeetemperatuur die door satellieten werd verzameld, en analyseerde huidige patronen en contrasteerde deze met oppervlaktetemperatuurgegevens die in voorgaande jaren waren verzameld. De onderzoekers trainden en testten het model met ongeveer negen jaar aan gegevens. Toen de resultaten werden geanalyseerd, vonden de onderzoekers dat het model in staat was om de verandering in zeetemperatuur nauwkeurig en consistent te voorspellen en de tijdelijke en ruimtelijke variaties binnen TIW te voorspellen als gevolg.

De studie impliceert dat AI-modellen die worden ondersteund door grote datasets betrouwbare manieren kunnen zijn om zelfs de meest complexe fenomenen in de oceanen te voorspellen.

“AI-gebaseerde modellen, statistische modellen en traditionele numerieke modellen kunnen elkaar aanvullen en een nieuw perspectief bieden voor het bestuderen van complexe oceaanfenomenen,” legde LI Xiaofeng uit volgens Phys.

Er wordt gehoopt dat, naarmate het model wordt verbeterd en verfijnd, het zal helpen bij het voorspellen van grote golven en stormen, wat praktische toepassingen heeft voor oceaanavigatiesystemen en het voorspellen van ernstige weersomstandigheden die kuststeden kunnen schaden. Dit type onderzoek is bijzonder waardevol in een wereld waarin de klimaatverandering de manier waarop oceaanstromen bewegen en interactie hebben met de omgeving eromheen, verandert. Het onderzoek dat door LI Xiaofeng en zijn collega’s is uitgevoerd, maakt deel uit van een groeiende trend om AI-algoritmen en satellietgegevens te gebruiken om meer te leren over en te voorspellen de beweging van oceaanstromen en gerelateerde fenomenen.

Als een ander voorbeeld van het gebruik van AI om oceaanfenomenen te volgen en te voorspellen, publiceerde een team van onderzoekers van het Plymouth Marine Laboratory en de Universiteit van de Egeïsche Zee eerder dit jaar een studie waarin werd onderzocht hoe machine learning-algoritmen en satellietgegevens kunnen worden gebruikt om gebieden met geconcentreerde plastic afval te identificeren en de verspreiding ervan te volgen.

Het team nam satellietbeelden van plastic afval en trainde een beeldidentificatiesysteem op deze beelden, met als doel te zien of het systeem patches van plastic afval nauwkeurig kon onderscheiden van hout, zeewier en andere natuurlijke drijvende objecten. Volgens de resultaten van de studie kon het algoritme afval correct identificeren in ongeveer 86% van de tijd. De onderzoekers willen het model verbeteren en een systeem creëren dat de identificatie en schoonmaak van plastic afval langs kusten en rivieren kan faciliteren.