• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Natureza
    Modelo de IA para prever ondas complicadas de instabilidade tropical em grande escala no Oceano Pacífico

    Crédito CC0:domínio público

    Os fenômenos oceânicos em grande escala são complicados e freqüentemente envolvem muitos processos naturais. A onda de instabilidade tropical (TIW) é um desses fenômenos.

    Pacific TIW, um evento oceânico predominante proeminente no Oceano Pacífico equatorial oriental, é caracterizado com ondas em forma de cúspide propagando-se para o oeste em ambos os flancos da língua fria do Pacífico tropical.

    A previsão de TIW tem sido dependente de modelos numéricos baseados em equações físicas ou modelos estatísticos. Contudo, muitos processos naturais precisam ser considerados para a compreensão de tais fenômenos complicados.

    Recentemente, uma equipe de pesquisa liderada pelo Prof. LI Xiaofeng do Instituto de Oceanologia da Academia Chinesa de Ciências (IOCAS) estudou esse tipo de fenômeno oceânico complexo por meio de tecnologias de inteligência artificial (IA).

    O membro da equipe inclui a Gangue ZHENG do Segundo Instituto de Oceanologia do Ministério de Recursos Naturais, ZHANG Ronghua do IOCAS, e LIU Bin da Shanghai Ocean University.

    Eles usaram um modelo de aprendizado profundo baseado em dados de satélite para prever a complicada escala de mil quilômetros TIW pela primeira vez no mundo. Seu estudo foi publicado em Avanços da Ciência em 15 de julho.

    As regras básicas que governam os complicados fenômenos oceânicos geralmente estão profundamente ocultas no próprio big data de sensoriamento remoto por satélite em rápido crescimento. Eles precisam ser desenterrados por técnicas poderosas de mineração de informações, como o aprendizado profundo no campo da IA.

    "A tecnologia de IA pode levar a uma alternativa promissora para modelar fenômenos oceânicos complicados e contornar as dificuldades enfrentadas pelos modelos numéricos tradicionais, "disse o Prof. LI.

    Nesse trabalho, os pesquisadores desenvolveram um modelo de aprendizado profundo para o campo de previsão da temperatura da superfície do mar (SST) associado ao TIW com base em dados de SST derivados de satélites anteriores e atuais.

    O teste de longo prazo de dados de SST de nove anos mostrou que o modelo previu a evolução de SST de forma eficiente e precisa e capturou a variação espacial e temporal da propagação de TIW.

    O estudo demonstra que um paradigma de mineração de informações baseado em IA e puramente orientado por dados pode ser uma maneira robusta e promissora de modelar e prever fenômenos oceânicos complicados na era do Big Data de sensoriamento remoto por satélite.

    "Modelos baseados em IA, modelos estatísticos, e os modelos numéricos tradicionais podem complementar-se e fornecer uma nova perspectiva para o estudo de características oceânicas complicadas, "disse o Prof. LI.

    Um artigo de revisão do grupo do Prof. LI foi publicado em National Science Review em 19 de março, que revisou sistematicamente a mineração de informações baseada em aprendizagem profunda a partir de imagens de sensoriamento remoto do oceano.


    © Ciência https://pt.scienceaq.com