AI-modeller hjälper till att förutsäga stora tropiska vågor och havsströmmar

Ett team av forskare har nyligen utformat en AI-modell som kan förutsäga havsfenomen som sträcker sig över hundratals mil/kilometer, som tropiska instabilitetsvågor (TIW). Tropiska Instabilitetsvågor (TIW) är ett havsfenomen som äger rum i Stilla havet, nära ekvatorn. Stilla havets TIW innebär rörelsen av kurvade, triangulära vågor som rör sig västerut längs kanterna av den tropiska kalla tungan – en region i tropikerna som är betydligt kallare än den omgivande oceanen.

De miljöfaktorer som ger upphov till TIW är oerhört komplexa och fenomenet är svårt att förutsäga. Förutsägelsen av TIW görs traditionellt med komplexa statistiska och fysiska modeller. Men ett team av forskare har nyligen utformat en AI-modell som syftar till att bättre förutsäga TIW och andra havsfenomen.

Enligt Phys.org leddes forskningsteamet av professor LI Xiaofeng från Institute of Oceanology of the Chinese Academy of Sciences (IOCAS), och teamet bestod också av medlemmar från olika kinesiska oceanografiska avdelningar, såsom Shanghai Ocean University och Second Institute of Oceanology of Ministry of Natural Resources. Teamet använde satellitdata för att utforma en djupinlärningsmodell som syftade till att analysera instabilitetsvågorna när de rörde sig tusentals kilometer genom havet. Även med global satellitdata kan de miljöfaktorer som påverkar havsfenomen vara svåra att urskilja, men målet är att AI-modeller kan göra ett bättre jobb med att tolka dessa variabler och göra förutsägelser än traditionella modeller.

Den djupinlärningsmodell som forskarna utformade använde havsyttemperaturdata som samlats in av satelliter, analyserade strömningsmönster och jämförde dem med ytemperaturdata som samlats in under tidigare år. Forskarna hade modellen utbildad och testad på ungefär nio års data. När resultaten analyserades fann forskarna att modellen kunde förutsäga förändringar i havsyttemperatur och förutsäga tidsmässiga och rumsliga variationer inom TIW med god noggrannhet.

Studien tyder på att AI-modeller som stöds av stora datamängder kan vara tillförlitliga sätt att förutsäga även de mest komplexa fenomenen i haven.

“AI-baserade modeller, statistiska modeller och traditionella numeriska modeller kan komplettera varandra och ge en ny synvinkel för att studera komplicerade havsfenomen”, förklarade LI Xiaofeng enligt Phys.

Det hoppas att när modellen förbättras och finslipas kommer den att hjälpa till att förutsäga stora vågor och stormar, vilket har praktiska tillämpningar för havsnavigeringssystem och förutsägelse av svåra väderhändelser som kan skada kuststäder. Denna typ av forskning är särskilt värdefull i en värld där klimatförändringar förändrar hur havsströmmar rör sig och interagerar med omgivningen runt dem. Forskningen som utförts av LI Xiaofeng och kollegor är en del av en växande trend att använda AI-algoritmer och satellitdata för att lära sig om och förutsäga rörelsen av havsströmmar och relaterade fenomen.

Som ett annat exempel på att AI används för att spåra och förutsäga havsfenomen publicerade ett team av forskare från Plymouth Marine Laboratory och University of the Aegean tidigare i år en studie som undersökte hur maskinlärningsalgoritmer och satellitdata kan användas för att identifiera områden med koncentrerat plastavfall och spåra dess spridning.

Teamet tog satellitbilder av plastavfall och tränade ett bildidentifieringssystem på dem, i syfte att se om systemet kunde korrekt urskilja fläckar av plastavfall från trä, sjögräs och andra naturliga flytande föremål. Enligt studiens resultat kunde algoritmen korrekt identifiera skräp ungefär 86% av tiden. Forskarna vill förbättra modellen och skapa ett system som kan underlätta identifiering och sanering av plastavfall längs kustlinjer och floder.