Forskere forudser ændringer i havniveauet langs mange kyster rundt om på kloden

Forskere ved Image Processing Laboratory (IPL) ved University of Valencia har udviklet en maskinlæringstilgang til at modellere og forudsige kortsigtede havniveauændringer i kystområderne i Stillehavet, Indiske og Atlanterhavet. Studiet, især nyttig til kystbeskyttelse, er udgivet i Naturvidenskabelige rapporter .

Alle havområder har oplevet betydelig opvarmning og havniveaustigning i de seneste årtier, drevet af klimaforandringer. Imidlertid, der er vigtige regionale forskelle, som følge af forskellige processer på forskellige tidsskalaer, såsom dem, der er forbundet med temperaturændringer på grund af naturlige årsager.

For bedre at fortolke observationer af havniveauvariationer på kystområder på lokalt niveau, teamet af Verónica Nieves, Fremragende forsker af GenT-programmet ved billedbehandlingslaboratoriet (IPL) ved universitetet i Valencia, har udviklet en maskinlæringstilgang, der udnytter havtemperaturestimater til at modellere kystnær havniveauvariabilitet og tilhørende usikkerhed på tværs af en række tidsskalaer fra måneder til flere år.

Undersøgelsen er nu offentliggjort i tidsskriftet Naturvidenskabelige rapporter viser også, at de fysiske forhold mellem temperaturvariable i de øvre lag af åbne havområder og estimater af havniveauanomalier på kystområderne i disse regioner kan bruges i kombination med maskinlæringsmetoder til at lave rimeligt nøjagtige kortsigtede forudsigelser af havet niveautendens (i et til flere år).

De konkluderer, at til dato, kortsigtede regionale variationer i havniveauet ved kysten er stadig i høj grad påvirket af naturlige processer i store åbne havområder, såsom åbent hav, temperaturen ændrer sig ned ad vandsøjlen til 700 meter, som er tæt knyttet til interne naturlige klimavariationer. Disse processer overlejres påvirkningen af ​​andre effekter, som højvande eller storme, blandt andre.

"Klima er et meget komplekst og dynamisk system, der kan ændre sig naturligt på uventede måder; og, i denne forstand, maskinlæringsmetoder kan give nyttig indsigt til bedre at fortolke data, der udviser komplekse ikke-lineære mønstre og identificere nære fremtidige regionale havniveauændringer, "sagde Verónica Nieves, artiklens første forfatter og leder af AI4OCEANS-gruppen, i IPL, hvor denne forskningslinje forfølges. "Vores modeller klarer sig særligt godt i de kystområder, der er mest påvirket af intern klimavariabilitet, men de er bredt anvendelige til at evaluere de stigende og faldende havniveaumønstre på tværs af mange steder rundt om i verden, " tilføjede Cristina Radín, et medlem af det team, som professor Gustau Camps-Valls også har samarbejdet med.

Dette er den første undersøgelse, der bruger kunstig intelligens-teknikker i havene til at lave denne type forudsigelser. Modellering og foregribelse af havniveauændringer i de kommende år er afgørende for kortsigtet beslutningstagning og strategisk planlægning om kystbeskyttelsesforanstaltninger.

Teamet har også udviklet et interaktivt kort, som et støtteværktøj, der gør det muligt at inspicere individuelle regioner, hvor forudsigelsen af ​​maskinlæringsmodellen blev foretaget.

Forskere ved Image Processing Laboratory (IPL) ved University of Valencia har udviklet en maskinlæringstilgang til at modellere og forudsige kortsigtede havniveauændringer i kystområderne i Stillehavet, Indiske og Atlanterhavet. Studiet, især nyttig til kystbeskyttelse, er udgivet i Naturvidenskabelige rapporter .

Alle havbassiner har oplevet betydelig opvarmning og havniveaustigning i de seneste årtier, drevet af klimaændringer. Imidlertid, der er vigtige regionale forskelle, som følge af forskellige processer på forskellige tidsskalaer, såsom dem, der er forbundet med temperaturændringer på grund af naturlige årsager.

For bedre at fortolke observationer af havniveauvariationer på kystområder på lokalt niveau, teamet af Verónica Nieves, Fremstående forsker ved GenT -programmet ved billedbehandlingslaboratoriet (IPL) ved universitetet i Valencia, har udviklet en maskinlæringstilgang, der udnytter havtemperaturestimater til at modellere variationer i kystnært havniveau og tilhørende usikkerhed på tværs af en række tidsskalaer fra måneder til flere år.

Undersøgelsen er nu offentliggjort i tidsskriftet Naturvidenskabelige rapporter viser også, at de fysiske forhold mellem temperaturvariable i de øvre lag af åbne havområder og estimater af havniveauanomalier på kystområderne i disse regioner kan bruges i kombination med maskinlæringsmetoder til at lave rimeligt nøjagtige kortsigtede forudsigelser af havet niveautendens (i et til flere år).

De konkluderer, at til dato, kortsigtede regionale kystnære havniveauvariationer er stadig stort set påvirket af naturlige processer i store åbne havområder, såsom åbent hav, temperaturændringer ned ad vandsøjlen til 700 meter, som er tæt knyttet til intern naturlig klimavariation. Disse processer er lagt over påvirkning af andre effekter, som højvande eller storme, blandt andre.

"Klima er et meget komplekst og dynamisk system, der kan ændre sig naturligt på uventede måder; og, i denne forstand, maskinlæringsmetoder kan give nyttig indsigt til bedre at fortolke data, der udviser komplekse ikke-lineære mønstre og identificere nære fremtidige regionale havniveauændringer, "sagde Verónica Nieves, artiklens første forfatter og leder af AI4OCEANS -gruppen, i IPL, hvor denne forskningslinje forfølges. "Vores modeller klarer sig særligt godt i de kystområder, der er mest påvirket af intern klimavariabilitet, men de er bredt anvendelige til at evaluere de stigende og faldende havniveaumønstre på tværs af mange steder rundt om i verden, " tilføjede Cristina Radín, et medlem af det team, som professor Gustau Camps-Valls også har samarbejdet med.

Dette er den første undersøgelse, der bruger kunstig intelligens-teknikker i havene til at lave denne type forudsigelser. Modellering og foregribelse af havniveauændringer i de kommende år er afgørende for kortsigtet beslutningstagning og strategisk planlægning om kystbeskyttelsesforanstaltninger.

Teamet har også udviklet et interaktivt kort, som et støtteværktøj, der gør det muligt at inspicere individuelle regioner, hvor forudsigelsen af ​​maskinlæringsmodellen blev foretaget.