Onderzoekers van het Image Processing Laboratory (IPL) van de Universiteit van Valencia hebben een machine learning-benadering ontwikkeld om kortetermijnveranderingen van de zeespiegel in de kustgebieden van de Stille Oceaan te modelleren en te voorspellen. Indische en Atlantische Oceaan. De studie, vooral nuttig voor kustbescherming, is gepubliceerd in Natuurwetenschappelijke rapporten .

Alle oceaanbekkens hebben de afgelopen decennia een aanzienlijke opwarming en zeespiegelstijging doorgemaakt, gedreven door klimaatverandering. Echter, er zijn belangrijke regionale verschillen, als gevolg van verschillende processen op verschillende tijdschalen, zoals die geassocieerd met temperatuurveranderingen als gevolg van natuurlijke oorzaken.

Om waarnemingen van zeespiegelvariaties in kustgebieden op lokaal niveau beter te interpreteren, het team van Verónica Nieves, Distinguished Researcher van het GenT-programma aan het Image Processing Laboratory (IPL) van de Universiteit van Valencia, heeft een machine learning-benadering ontwikkeld die gebruikmaakt van schattingen van de zeetemperatuur om de variabiliteit van het zeeniveau aan de kust en de bijbehorende onzekerheid te modelleren over een reeks tijdschalen variërend van maanden tot meerdere jaren.

De studie die nu is gepubliceerd in het tijdschrift Natuurwetenschappelijke rapporten laat ook zien dat de fysieke relaties tussen temperatuurvariabelen in de bovenste lagen van open zeeregio's en schattingen van zeespiegelafwijkingen op de kustgebieden van deze regio's kunnen worden gebruikt in combinatie met machine learning-methoden om redelijk nauwkeurige kortetermijnvoorspellingen van de zee te maken niveautendens (gedurende één tot meerdere jaren).

Ze concluderen dat, daten, regionale variaties van de zeespiegel aan de kust op korte termijn worden nog steeds grotendeels beïnvloed door natuurlijke processen in grote open oceaangebieden, zoals open oceaan, temperatuur daalt langs de waterkolom tot 700 meter, die nauw verbonden zijn met de interne natuurlijke klimaatvariabiliteit. Deze processen worden gesuperponeerd op de invloed van andere effecten, zoals vloed of stormen, onder andere.

"Het klimaat is een zeer complex en dynamisch systeem dat van nature op onverwachte manieren kan veranderen; en, in deze betekenis, machine learning-methoden kunnen nuttig inzicht bieden om gegevens die complexe niet-lineaire patronen vertonen beter te interpreteren en toekomstige regionale zeespiegelveranderingen te identificeren, " zei Verónica Nieves, de eerste auteur van het artikel en hoofd van de AI4OCEANS-groep, in de IPL, waar deze onderzoekslijn wordt voortgezet. "Onze modellen presteren bijzonder goed in de kustgebieden die het meest worden beïnvloed door interne klimaatvariabiliteit, maar ze zijn algemeen toepasbaar om de stijgende en dalende zeespiegelpatronen op veel plaatsen over de hele wereld te evalueren, " voegde Cristina Radin toe, een lid van het team waarmee ook professor Gustau Camps-Valls heeft samengewerkt.

Dit is de eerste studie die kunstmatige intelligentie-technieken in de oceanen gebruikt om dit soort voorspellingen te doen. Het modelleren van en anticiperen op zeespiegelveranderingen in de komende jaren is cruciaal voor besluitvorming op korte termijn en strategische planning over kustbeschermingsmaatregelen.

Het team heeft ook een interactieve kaart ontwikkeld, als een ondersteuningstool waarmee individuele regio's kunnen worden geïnspecteerd waar de voorspelling van het machine learning-model is gemaakt.

Onderzoekers van het Image Processing Laboratory (IPL) van de Universiteit van Valencia hebben een machine learning-benadering ontwikkeld om kortetermijnveranderingen van de zeespiegel in de kustgebieden van de Stille Oceaan te modelleren en te voorspellen. Indische en Atlantische Oceaan. De studie, vooral nuttig voor kustbescherming, is gepubliceerd in Natuurwetenschappelijke rapporten .

Alle oceaanbekkens hebben de afgelopen decennia een aanzienlijke opwarming en zeespiegelstijging doorgemaakt, gedreven door klimaatverandering. Echter, er zijn belangrijke regionale verschillen, als gevolg van verschillende processen op verschillende tijdschalen, zoals die geassocieerd met temperatuurveranderingen als gevolg van natuurlijke oorzaken.

Om waarnemingen van zeespiegelvariaties in kustgebieden op lokaal niveau beter te interpreteren, het team van Verónica Nieves, Distinguished Researcher van het GenT-programma aan het Image Processing Laboratory (IPL) van de Universiteit van Valencia, heeft een machine learning-benadering ontwikkeld die gebruikmaakt van schattingen van de zeetemperatuur om de variabiliteit van het zeeniveau aan de kust en de bijbehorende onzekerheid te modelleren over een reeks tijdschalen variërend van maanden tot meerdere jaren.

De studie die nu is gepubliceerd in het tijdschrift Natuurwetenschappelijke rapporten laat ook zien dat de fysieke relaties tussen temperatuurvariabelen in de bovenste lagen van open zeeregio's en schattingen van zeespiegelafwijkingen op de kustgebieden van deze regio's kunnen worden gebruikt in combinatie met machine learning-methoden om redelijk nauwkeurige kortetermijnvoorspellingen van de zee te maken niveautendens (gedurende één tot meerdere jaren).

Ze concluderen dat, daten, regionale variaties van de zeespiegel aan de kust op korte termijn worden nog steeds grotendeels beïnvloed door natuurlijke processen in grote open oceaangebieden, zoals open oceaan, temperatuur daalt langs de waterkolom tot 700 meter, die nauw verbonden zijn met de interne natuurlijke klimaatvariabiliteit. Deze processen worden gesuperponeerd op de invloed van andere effecten, zoals vloed of stormen, onder andere.

"Het klimaat is een zeer complex en dynamisch systeem dat van nature op onverwachte manieren kan veranderen; en, in deze betekenis, machine learning-methoden kunnen nuttig inzicht bieden om gegevens die complexe niet-lineaire patronen vertonen beter te interpreteren en om nabije toekomstige regionale zeespiegelveranderingen te identificeren, " zei Verónica Nieves, de eerste auteur van het artikel en hoofd van de AI4OCEANS-groep, in de IPL, waar deze onderzoekslijn wordt voortgezet. "Onze modellen presteren bijzonder goed in de kustgebieden die het meest worden beïnvloed door interne klimaatvariabiliteit, maar ze zijn breed toepasbaar om de stijgende en dalende zeespiegelpatronen op veel plaatsen over de hele wereld te evalueren, " voegde Cristina Radin toe, een lid van het team waarmee ook professor Gustau Camps-Valls heeft samengewerkt.

Dit is de eerste studie die kunstmatige intelligentie-technieken in de oceanen gebruikt om dit soort voorspellingen te doen. Het modelleren van en anticiperen op zeespiegelveranderingen in de komende jaren is cruciaal voor besluitvorming op korte termijn en strategische planning over kustbeschermingsmaatregelen.

Het team heeft ook een interactieve kaart ontwikkeld, als een ondersteuningstool waarmee individuele regio's kunnen worden geïnspecteerd waar de voorspelling van het machine learning-model is gemaakt.