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

Een team van onderzoekers heeft onlangs een AI-model ontworpen dat in staat is oceanische fenomenen te voorspellen die zich over honderden mijlen/kilometers uitstrekken, zoals tropische instabiliteitsgolven (TIW). Tropical Instability Waves (TIW) zijn een oceaangebeurtenis die plaatsvindt in de Stille Oceaan, nabij de evenaar. De Pacific TIW omvat de beweging van gebogen, driehoekige golven die naar het westen bewegen langs de randen van de tropische koude tong van de Stille Oceaan - een gebied in de tropen dat met name kouder is dan de oceaan eromheen.

De omgevingsfactoren die aanleiding geven tot TIW zijn buitengewoon complex en het fenomeen is moeilijk te voorspellen. Het voorspellen van de TIW wordt traditioneel gedaan met complexe statistische en fysische modellen. Een team van onderzoekers heeft echter onlangs een AI-model ontworpen bedoeld om TIW's en andere oceaanverschijnselen beter te voorspellen.

Volgens Phys.org, het onderzoeksteam stond onder leiding van professor LI Xiaofeng van het Institute of Oceanology van de Chinese Academie van Wetenschappen (IOCAS), en het team omvatte ook leden van verschillende Chinese oceanische wetenschappen, zoals de Shanghai Ocean University en het Second Institute of Oceanology van het Ministry of Natural Resources . Het team gebruikte satellietgegevens om een ​​deep learning-model te ontwerpen dat bedoeld was om de instabiliteitsgolven te analyseren terwijl ze duizenden kilometers door de oceaan bewegen. Zelfs met wereldwijde satellietgegevens kunnen de omgevingsfactoren die van invloed zijn op oceanische fenomenen moeilijk te onderscheiden zijn, maar het doel is dat AI-modellen deze variabelen beter kunnen ontcijferen en voorspellingen kunnen doen dan traditionele modellen.

Het deep learning-model dat de onderzoekers ontwierpen, maakte gebruik van gegevens over de oppervlaktetemperatuur van het zeewater die door satellieten waren verzameld, analyseerde huidige patronen en contrasteerde deze met gegevens over de oppervlaktetemperatuur die in de afgelopen jaren waren verzameld. De onderzoekers lieten het model trainen en testen op ongeveer negen jaar aan data. Toen de resultaten werden geanalyseerd, ontdekten de onderzoekers dat het model in staat was om nauwkeurig en consistent de verandering in de temperatuur van het zeeoppervlak te voorspellen en daardoor temporele en ruimtelijke variaties binnen TIW te voorspellen.

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

"Op AI gebaseerde modellen, statistische modellen en traditionele numerieke modellen kunnen elkaar aanvullen en een nieuw perspectief bieden voor het bestuderen van gecompliceerde oceanische kenmerken", legt LI Xiaofeng uit volgens Phys.

Het is te hopen dat naarmate het model wordt verbeterd en verfijnd, het zal helpen bij het voorspellen van grote golven en stormen, wat praktische toepassingen heeft voor oceaannavigatiesystemen en de voorspelling van ernstige weersomstandigheden die kuststeden kunnen schaden. Dit type onderzoek is bijzonder waardevol in een wereld waar klimaatverandering de manier verandert waarop oceaanstromingen bewegen en omgaan met de omgeving om hen heen. Het onderzoek van LI Xiaofeng en collega's maakt deel uit van een groeiende trend om AI-algoritmen en satellietgegevens te gebruiken om de beweging van oceaanstromingen en aanverwante verschijnselen te leren kennen en te voorspellen.

Als ander voorbeeld van het gebruik van AI om oceanische verschijnselen te volgen en te voorspellen, publiceerde een team van onderzoekers van het Plymouth Marine Laboratory en de University of the Aegean eerder dit jaar een onderzoek waarin werd onderzocht hoe machine learning-algoritmen en satellietgegevens kunnen worden gebruikt om gebieden van klimaatverandering te identificeren. geconcentreerd plastic afval en volg de verspreiding ervan.

Het team nam satellietbeelden van plastic afval en trainde daarop een beeldidentificatiesysteem, met als doel te zien of het systeem stukken plastic afval nauwkeurig kon onderscheiden van hout, zeewier en andere natuurlijke drijvende objecten. Volgens de resultaten van het onderzoek kon het algoritme ongeveer 86% van de tijd afval correct identificeren. De onderzoekers willen het model verbeteren en een systeem creëren dat de identificatie en opruiming van plastic afval langs kustlijnen en rivieren kan vergemakkelijken.