Grootschalige oceanische fenomenen zijn gecompliceerd en omvatten vaak veel natuurlijke processen. Tropische instabiliteitsgolf (TIW) is een van deze fenomenen.

Stille Oceaan TIW, een prominente heersende oceanische gebeurtenis in de oostelijke equatoriale Stille Oceaan, wordt gekenmerkt door cusp-vormige golven die zich westwaarts voortplanten aan beide flanken van de tropische koude tong van de Stille Oceaan.

De voorspelling van TIW is lange tijd afhankelijk geweest van op fysieke vergelijkingen gebaseerde numerieke modellen of statistische modellen. Echter, veel natuurlijke processen moeten worden overwogen om dergelijke gecompliceerde verschijnselen te begrijpen.

Onlangs, een onderzoeksteam onder leiding van prof. LI Xiaofeng van het Instituut voor Oceanologie van de Chinese Academie van Wetenschappen (IOCAS) bestudeerde dit soort complexe oceanische verschijnselen door middel van kunstmatige intelligentie (AI)-technologieën.

Het teamlid omvat ZHENG Gang van het Tweede Instituut voor Oceanologie van het Ministerie van Natuurlijke Hulpbronnen, ZHANG Ronghua van IOCAS, en LIU Bin van de Shanghai Ocean University.

Ze gebruikten een door satellietgegevens gestuurd deep learning-model om voor het eerst ter wereld de gecompliceerde TIW op duizend kilometer schaal te voorspellen. Hun studie werd gepubliceerd in wetenschappelijke vooruitgang op 15 juli.

Basisregels voor de gecompliceerde oceanische fenomenen zijn meestal diep verborgen in de snelgroeiende satelliet remote sensing big data zelf. Ze moeten worden opgegraven door krachtige technieken voor informatiemining, zoals deep learning op het gebied van AI.

"AI-technologie kan leiden tot een veelbelovend alternatief voor het modelleren van gecompliceerde oceanische verschijnselen en het omzeilen van de moeilijkheden waarmee traditionele numerieke modellen worden geconfronteerd, " zei prof. LI.

In dit werk, de onderzoekers ontwikkelden een diepgaand leermodel voor het voorspellen van het zeeoppervlaktetemperatuur (SST)-veld geassocieerd met TIW op basis van huidige en eerdere satelliet-afgeleide SST-gegevens.

De langetermijntest van negen jaar SST-gegevens toonde aan dat het model de SST-evolutie efficiënt en nauwkeurig voorspelde en de ruimtelijke en temporele variatie van TIW-voortplanting vastlegde.

De studie toont aan dat een puur datagedreven en AI-gebaseerd paradigma voor informatiemining een robuuste en veelbelovende manier kan zijn om gecompliceerde oceanische fenomenen in het Big Data-tijdperk voor teledetectie van satellieten te modelleren en te voorspellen.

"AI-gebaseerde modellen, statistische modellen, en traditionele numerieke modellen kunnen elkaar aanvullen en een nieuw perspectief bieden voor het bestuderen van gecompliceerde oceanische kenmerken, " zei prof. LI.

Een overzichtsartikel van de groep van prof. LI is gepubliceerd in: Nationale wetenschappelijke recensie op 19 maart, die systematisch op diep leren gebaseerde informatiemining van oceaan-remote-sensing-beelden beoordeelde.