AI-model til at forudsige komplicerede storstilede tropiske ustabilitetsbølger i Stillehavet

Storskala oceaniske fænomener er komplicerede og involverer ofte mange naturlige processer. Tropisk ustabilitetsbølge (TIW) er et af disse fænomener.

Pacific TIW, en fremtrædende fremherskende oceanisk begivenhed i det østlige ækvatoriale Stillehav, er præget med knudeformede bølger, der formerer sig mod vest ved begge sider af den kolde tunge i Stillehavet.

Prognosen for TIW har længe været afhængig af fysiske ligningsbaserede numeriske modeller eller statistiske modeller. Imidlertid, mange naturlige processer skal overvejes for at forstå sådanne komplicerede fænomener.

For nylig, et forskerhold ledet af Prof. LI Xiaofeng fra Institute of Oceanology of the Chinese Academy of Sciences (IOCAS) undersøgte denne type komplekse oceaniske fænomener ved hjælp af kunstig intelligens (AI) teknologier.

Teammedlemmet inkluderer ZHENG Gang fra Second Institute of Oceanology i Ministeriet for Naturressourcer, ZHANG Ronghua fra IOCAS, og LIU Bin fra Shanghai Ocean University.

De brugte satellitdatadrevet dyb læringsmodel til at forudsige den komplicerede tusinde-kilometer-skala TIW for første gang i verden. Deres undersøgelse blev offentliggjort i Videnskabens fremskridt den 15. juli.

Grundlæggende regler for de komplicerede oceaniske fænomener er normalt dybt skjult i selve den hurtigt voksende satellit-fjernmåling af big data. De skal graves op af kraftfulde informationsmineteknikker, såsom dyb læring inden for kunstig intelligens.

"AI-teknologi kan føre til et lovende alternativ til at modellere komplicerede oceaniske fænomener og omgå de vanskeligheder, som traditionelle numeriske modeller står over for, "sagde prof. LI.

I dette arbejde, forskerne udviklede en dyb læringsmodel til forudsigelse af havoverfladetemperatur (SST) felt forbundet med TIW baseret på nuværende og tidligere satellitafledte SST-data.

Langtidstesten af ​​ni-årige SST-data viste, at modellen effektivt og nøjagtigt forudsagde SST-udviklingen og fangede TIW-udbredelsens rumlige og tidsmæssige variation.

Undersøgelsen viser, at et rent datadrevet og AI-baseret informationsudvindingsparadigme kan være en robust og lovende måde at modellere og forudsige komplicerede oceaniske fænomener i satellitfjernsensoren Big Data Era.

"AI-baserede modeller, statistiske modeller, og traditionelle numeriske modeller kan supplere hinanden og give et nyt perspektiv til at studere komplicerede oceaniske træk, " sagde prof. LI.

En oversigtsartikel af Prof. LI's gruppe blev publiceret i National Science Review den 19. marts, som systematisk gennemgik deep-learning-baseret informationsudvinding fra hav-fjernmålingsbilleder.