AI-modeller hjelper med å forutsie store tropiske bølger og havstrømmer

Et team av forskere har nylig designet en AI-modell som kan forutsie havfenomener som strekker seg over hundrevis av kilometer, som tropiske ustabilitetsbølger (TIW). Tropiske ustabilitetsbølger (TIW) er et havfenomen som finner sted i Stillehavet, nær ekvator. Stillehavets TIW innebærer bevegelsen av kurvede, triangulære bølger som flytter seg vestover langs kantene av den tropiske kalde tunge – et område i tropene som er merkbart kaldere enn havet rundt det.

De miljømessige faktorene som gir opphav til TIW er usedvanlig komplekse, og fenomenet er vanskelig å forutsie. Forutsigelse av TIW gjøres tradisjonelt med komplekse statistiske og fysiske modeller. Imidlertid har et team av forskere nylig designet en AI-modell som er ment å bedre forutsie TIW og andre havfenomener.

Ifølge Phys.org, forskningsteamet ble ledet av professor LI Xiaofeng fra Institute of Oceanology of the Chinese Academy of Sciences (IOCAS), og teamet inkluderte også medlemmer fra forskjellige kinesiske havvitenskapelige avdelinger, som Shanghai Ocean University og Second Institute of Oceanology of Ministry of Natural Resources. Teamet brukte satellittdata til å designe en dyptlæringmodell som var ment å analysere ustabilitetsbølgene mens de flytter seg tusenvis av kilometer gjennom havet. Selv med globale satellittdata kan de miljømessige faktorene som påvirker havfenomener være vanskelige å påvise, men målet er at AI-modeller kan gjøre en bedre jobb med å tyde disse variablene og gjøre forutsigelser enn tradisjonelle modeller.

Dyptlæringmodellen som forskerne designet brukte havoverflatetemperaturdata samlet inn av satellitter, og analyserte strømningsmønster og sammenlignet dem med overflatetemperaturdata samlet inn i tidligere år. Forskerne hadde modellen trent og testet på omtrent ni års data. Når resultaterne ble analysert, fant forskerne at modellen kunne nøyaktig og konsekvent forutsie endringen i havoverflatetemperatur og forutsie tids- og romlige variasjoner i TIW som resultat.

Studien antyder at AI-modeller støttet av store datamengder kan være pålitelige måter å forutsie selv de mest komplekse fenomener i havet.

“AI-baserte modeller, statistiske modeller og tradisjonelle numeriske modeller kan supplere hverandre og gi en ny perspektiv for å studere kompliserte havfenomener,” forklarte LI Xiaofeng ifølge Phys.

Det håpes at når modellen blir forbedret og finjustert, vil den kunne hjelpe med å forutsie store bølger og stormer, som har praktiske anvendelser for havnavigasjonssystemer og forutsigelse av alvorlige værfenomener som kan skade kystbyer. Dette type forskning er spesielt verdifullt i en verden hvor klimaendringer endrer hvordan havstrømmer beveger seg og samhandler med miljøet rundt dem. Forskningen utført av LI Xiaofeng og kolleger er en del av en økende trend av å bruke AI-algoritmer og satellittdata til å lære om og forutsie bevegelsen av havstrømmer og relaterte fenomener.

Som et annet eksempel på at AI brukes til å spore og forutsie havfenomener, publiserte et team av forskere fra Plymouth Marine Laboratory og University of the Aegean tidligere i år en studie som undersøkte hvordan maskinlæringsalgoritmer og satellittdata kan brukes til å identifisere områder med konsentrert plastavfall og spore dens utbredelse.

Teamet tok satellittbilder av plastavfall og trente et bildeidentifikasjonssystem på dem, med mål om å se om systemet kunne nøyaktig skille patches av plastavfall fra tre, sjøgrønne og andre naturlige flytende objekter. Ifølge studiens resultater kunne algoritmen korrekt identifisere søppel omtrent 86% av tiden. Forskerne ønsker å forbedre modellen og skape et system som kan fasilitere identifisering og rydding av plastavfall langs kystlinjer og elver.