Les phénomènes océaniques à grande échelle sont complexes et impliquent souvent de nombreux processus naturels. L'onde d'instabilité tropicale (ITW) est l'un de ces phénomènes.

Pacifique TIW, un événement océanique dominant dans l'océan Pacifique équatorial oriental, se caractérise par des vagues en forme de cuspide se propageant vers l'ouest sur les deux flancs de la langue froide du Pacifique tropical.

Les prévisions de TIW dépendent depuis longtemps de modèles numériques basés sur des équations physiques ou de modèles statistiques. Cependant, de nombreux processus naturels doivent être pris en compte pour comprendre des phénomènes aussi complexes.

Récemment, une équipe de recherche dirigée par le professeur LI Xiaofeng de l'Institut d'océanologie de l'Académie chinoise des sciences (IOCAS) a étudié ce type de phénomènes océaniques complexes grâce aux technologies d'intelligence artificielle (IA).

Le membre de l'équipe comprend ZHENG Gang du deuxième institut d'océanologie du ministère des Ressources naturelles, ZHANG Ronghua de l'IOCAS, et LIU Bin de la Shanghai Ocean University.

Ils ont utilisé un modèle d'apprentissage en profondeur basé sur des données satellitaires pour prévoir le TIW compliqué à l'échelle de mille kilomètres pour la première fois au monde. Leur étude a été publiée dans Avancées scientifiques le 15 juillet.

Les règles de base régissant les phénomènes océaniques complexes sont généralement profondément cachées dans les mégadonnées de télédétection par satellite en croissance rapide elles-mêmes. Ils doivent être déterrés par de puissantes techniques d'exploration d'informations telles que l'apprentissage en profondeur dans le domaine de l'IA.

"La technologie de l'IA peut conduire à une alternative prometteuse pour modéliser des phénomènes océaniques complexes et contourner les difficultés rencontrées par les modèles numériques traditionnels, " a déclaré le professeur LI.

Dans ce travail, les chercheurs ont développé un modèle d'apprentissage en profondeur pour prévoir le champ de température de surface de la mer (SST) associé à TIW sur la base des données SST actuelles et précédentes dérivées des satellites.

Le test à long terme des données SST sur neuf ans a montré que le modèle prévoyait avec efficacité et précision l'évolution de la SST et captait la variation spatiale et temporelle de la propagation TIW.

L'étude démontre qu'un paradigme d'exploration d'informations purement basé sur les données et l'IA peut être un moyen robuste et prometteur de modéliser et de prévoir des phénomènes océaniques complexes à l'ère du Big Data de la télédétection par satellite.

"Modèles basés sur l'IA, modèles statistiques, et les modèles numériques traditionnels peuvent se compléter et offrir une nouvelle perspective pour l'étude des caractéristiques océaniques complexes, " a déclaré le professeur LI.

Un article de synthèse du groupe du professeur LI a été publié dans Revue scientifique nationale le 19 mars, qui a systématiquement examiné l'extraction d'informations basée sur l'apprentissage en profondeur à partir d'images de télédétection océaniques.