Модели ИИ помогают предсказывать крупные тропические волны и океанские течения

Команда исследователей недавно разработала модель ИИ, способную прогнозировать океанические явления, которые распространяются на сотни миль/километров, такие как тропические нестабильные волны (TIW). Тропические нестабильные волны (TIW) – это океаническое событие, которое происходит в Тихом океане, недалеко от экватора. Тихоокеанские TIW включают движение изогнутых, треугольных волн, которые движутся на запад вдоль краев тропического холодного языка – региона тропиков, заметно холоднее окружающего океана.

Экологические факторы, которые приводят к возникновению TIW, чрезвычайно сложны, и это явление трудно прогнозировать. Прогнозирование TIW традиционно осуществляется с помощью сложных статистических и физических моделей. Однако команда исследователей недавно разработала модель ИИ, предназначенную для лучшего прогнозирования TIW и других океанических явлений.

По данным Phys.org, исследовательская группа была возглавлена профессором Ли Сяофэном из Института океанологии Китайской академии наук (IOCAS), и в команду также входили представители различных китайских океанографических подразделений, таких как Шанхайский океанографический университет и Второй институт океанологии Министерства природных ресурсов. Команда использовала спутниковые данные для разработки модели глубокого обучения, предназначенной для анализа нестабильных волн, когда они движутся тысячами километров через океан. Даже с глобальными спутниковыми данными экологические факторы, которые влияют на океанические явления, могут быть трудно различимы, но цель состоит в том, чтобы модели ИИ могли лучше расшифровать эти переменные и делать прогнозы, чем традиционные модели.

Модель глубокого обучения, разработанная исследователями, использовала данные о температуре поверхности моря, собранные спутниками, анализируя текущие закономерности и контрастируя их с данными о температуре поверхности, собранными в предыдущие годы. Исследователи обучили и протестировали модель на примерно девяти годах данных. Когда были проанализированы результаты, исследователи обнаружили, что модель смогла точно и последовательно прогнозировать изменение температуры поверхности моря и предсказывать временные и пространственные вариации внутри TIW.

Исследование подразумевает, что модели ИИ, поддержанные большими наборами данных, могут быть надежным способом прогнозирования даже некоторых из самых сложных явлений в океанах.

“Модели, основанные на ИИ, статистические модели и традиционные численные модели могут дополнять друг друга и предоставлять новый взгляд на изучение сложных океанических особенностей”, – объяснил Ли Сяофэн по данным Phys.

Надеются, что по мере улучшения и усовершенствования модели она поможет в прогнозировании крупных волн и штормов, что имеет практические применения для систем навигации по океану и прогнозирования сильных погодных явлений, которые могут нанести вред прибрежным городам. Этот тип исследований особенно ценен в мире, где изменение климата меняет движение океанических течений и их взаимодействие с окружающей средой. Исследование, проведенное Ли Сяофэном и его коллегами, является частью растущей тенденции использования алгоритмов ИИ и спутниковых данных для изучения и прогнозирования движения океанических течений и связанных с ними явлений.

Как еще один пример использования ИИ для отслеживания и прогнозирования океанических явлений, ранее в этом году команда исследователей из Плимутской морской лаборатории и Университета Эгейского моря опубликовала исследование, в котором изучалось, как алгоритмы машинного обучения и спутниковые данные могут быть использованы для выявления областей с высокой концентрацией пластиковых отходов и отслеживания их распространения.

Команда взяла спутниковые изображения пластиковых отходов и обучила систему идентификации изображений, чтобы увидеть, сможет ли система точно различать пятна пластиковых отходов от дерева, водорослей и других природных плавающих объектов. Согласно результатам исследования, алгоритм смог правильно определить мусор примерно 86% времени. Исследователи хотят улучшить модель и создать систему, которая могла бы облегчить выявление и очистку пластиковых отходов вдоль побережий и рек.