I fenomeni oceanici su larga scala sono complicati e spesso coinvolgono molti processi naturali. L'onda di instabilità tropicale (TIW) è uno di questi fenomeni.

Pacifico TIW, un importante evento oceanico prevalente nell'Oceano Pacifico equatoriale orientale, è caratterizzato da onde a forma di cuspide che si propagano verso ovest su entrambi i fianchi della lingua fredda del Pacifico tropicale.

La previsione di TIW è stata a lungo dipendente da modelli numerici basati su equazioni fisiche o modelli statistici. Però, molti processi naturali devono essere considerati per comprendere fenomeni così complicati.

Recentemente, un gruppo di ricerca guidato dal Prof. LI Xiaofeng dell'Istituto di Oceanologia dell'Accademia cinese delle scienze (IOCAS) ha studiato questo tipo di fenomeni oceanici complessi attraverso tecnologie di intelligenza artificiale (AI).

Il membro del team include ZHENG Gang del Secondo Istituto di Oceanologia del Ministero delle Risorse Naturali, ZHANG Ronghua di IOCAS, e LIU Bin della Shanghai Ocean University.

Hanno utilizzato il modello di deep learning basato sui dati satellitari per prevedere per la prima volta al mondo la complicata scala di migliaia di chilometri TIW. Il loro studio è stato pubblicato in Progressi scientifici il 15 luglio.

Le regole di base che governano i complicati fenomeni oceanici sono di solito profondamente nascoste negli stessi big data del telerilevamento satellitare in rapida crescita. Devono essere scavati da potenti tecniche di estrazione delle informazioni come il deep learning nel campo dell'intelligenza artificiale.

"La tecnologia AI può portare a un'alternativa promettente per modellare fenomeni oceanici complicati e aggirare le difficoltà incontrate dai modelli numerici tradizionali, " ha detto il Prof. LI.

In questo lavoro, i ricercatori hanno sviluppato un modello di apprendimento profondo per la previsione del campo della temperatura della superficie del mare (SST) associato a TIW basato su dati SST attuali e precedenti derivati ​​​​dal satellite.

Il test a lungo termine dei dati SST di nove anni ha mostrato che il modello prevedeva in modo efficiente e accurato l'evoluzione SST e catturava la variazione spaziale e temporale della propagazione TIW.

Lo studio dimostra che un paradigma di data mining basato esclusivamente sui dati e basato sull'intelligenza artificiale può essere un modo solido e promettente per modellare e prevedere complicati fenomeni oceanici nell'era dei Big Data di telerilevamento satellitare.

"Modelli basati sull'intelligenza artificiale, modelli statistici, e i modelli numerici tradizionali possono completarsi a vicenda e fornire una nuova prospettiva per lo studio delle complicate caratteristiche oceaniche, " ha detto il Prof. LI.

Un articolo di rassegna del gruppo del Prof. LI è stato pubblicato su Rassegna scientifica nazionale il 19 marzo, che ha esaminato sistematicamente l'estrazione di informazioni basata sull'apprendimento profondo da immagini di telerilevamento oceanico.