Forskare vid Image Processing Laboratory (IPL) vid University of Valencia har utvecklat en maskininlärningsmetod för att modellera och förutsäga kortsiktiga havsnivåförändringar i kustområdena i Stilla havet, Indiska och Atlantiska oceanerna. Studien, särskilt användbart för kustskydd, har publicerats i Naturvetenskapliga rapporter .

Alla havsområden har upplevt en betydande uppvärmning och havsnivåhöjning under de senaste decennierna, drivs av klimatförändringar. Dock, det finns viktiga regionala skillnader, resultatet av olika processer på olika tidsskalor, som de som är förknippade med temperaturförändringar på grund av naturliga orsaker.

För att bättre tolka observationer av havsnivåvariationer på kustregioner på lokal nivå, laget av Verónica Nieves, Framstående forskare för GenT-programmet vid bildbehandlingslaboratoriet (IPL) vid universitetet i Valencia, har utvecklat ett tillvägagångssätt för maskininlärning som utnyttjar havstemperaturuppskattningar för att modellera variationer i kustnära havsnivåer och tillhörande osäkerhet över en rad tidsskalor från månader till flera år.

Studien publicerad nu i tidskriften Naturvetenskapliga rapporter visar också att de fysiska sambanden mellan temperaturvariabler i de övre skikten av öppna havsregioner och uppskattningar av havsnivåanomalier på kustområdena i dessa regioner kan användas i kombination med maskininlärningsmetoder för att göra någorlunda exakta kortsiktiga förutsägelser av havet nivåbenägenhet (under ett till flera år).

De drar slutsatsen att hittills, kortsiktiga regionala kusthavsnivåvariationer påverkas fortfarande till stor del av naturliga processer i stora öppna havsregioner, såsom öppet hav, temperaturen ändras ner i vattenpelaren till 700 meter, som är nära knutna till inre naturliga klimatvariationer. Dessa processer överlagras på inverkan av andra effekter, som högvatten eller stormar, bland andra.

"Klimat är ett mycket komplext och dynamiskt system som kan förändras naturligt på oväntade sätt; och, i det här sammanhanget, Maskininlärningsmetoder kan ge användbar insikt för att bättre tolka data som uppvisar komplexa olinjära mönster och identifiera nära framtida regionala havsnivåförändringar, sa Verónica Nieves, artikelns första författare och chef för AI4OCEANS-gruppen, i IPL, där denna forskningslinje bedrivs. "Våra modeller fungerar särskilt bra i de kustområden som är mest påverkade av inre klimatvariationer, men de är allmänt tillämpliga för att utvärdera stigande och fallande havsnivåmönster över många platser runt om i världen, " lade Cristina Radín till, en medlem i teamet som professor Gustau Camps-Valls också har samarbetat med.

Detta är den första studien som använder artificiell intelligens i haven för att göra den här typen av förutsägelser. Att modellera och förutse förändringar i havsnivån under de kommande åren är avgörande för beslutsfattande på kort sikt och strategisk planering om kustskyddsåtgärder.

Teamet har också utvecklat en interaktiv karta, som ett stödverktyg som gör det möjligt att inspektera enskilda regioner där förutsägelsen av maskininlärningsmodellen gjordes.

Forskare vid Image Processing Laboratory (IPL) vid University of Valencia har utvecklat en maskininlärningsmetod för att modellera och förutsäga kortsiktiga havsnivåförändringar i kustområdena i Stilla havet, Indiska och Atlantiska oceanerna. Studien, särskilt användbart för kustskydd, har publicerats i Naturvetenskapliga rapporter .

Alla havsområden har upplevt en betydande uppvärmning och havsnivåhöjning under de senaste decennierna, drivs av klimatförändringar. Dock, det finns viktiga regionala skillnader, resultatet av olika processer på olika tidsskalor, som de som är förknippade med temperaturförändringar på grund av naturliga orsaker.

För att bättre tolka observationer av havsnivåvariationer på kustregioner på lokal nivå, laget av Verónica Nieves, Framstående forskare för GenT-programmet vid bildbehandlingslaboratoriet (IPL) vid universitetet i Valencia, har utvecklat ett tillvägagångssätt för maskininlärning som utnyttjar havstemperaturuppskattningar för att modellera variationer i kustnära havsnivåer och tillhörande osäkerhet över en rad tidsskalor från månader till flera år.

Studien publicerad nu i tidskriften Naturvetenskapliga rapporter visar också att de fysiska sambanden mellan temperaturvariabler i de övre skikten av öppna havsregioner och uppskattningar av havsnivåanomalier på kustområdena i dessa regioner kan användas i kombination med maskininlärningsmetoder för att göra någorlunda exakta kortsiktiga förutsägelser av havet nivåbenägenhet (under ett till flera år).

De drar slutsatsen att hittills, kortsiktiga regionala kusthavsnivåvariationer påverkas fortfarande till stor del av naturliga processer i stora öppna havsregioner, såsom öppet hav, temperaturen ändras ner i vattenpelaren till 700 meter, som är nära knutna till inre naturliga klimatvariationer. Dessa processer överlagras på inverkan av andra effekter, som högvatten eller stormar, bland andra.

"Klimat är ett mycket komplext och dynamiskt system som kan förändras naturligt på oväntade sätt; och, i det här sammanhanget, Maskininlärningsmetoder kan ge användbar insikt för att bättre tolka data som uppvisar komplexa olinjära mönster och identifiera nära framtida regionala havsnivåförändringar, sa Verónica Nieves, artikelns första författare och chef för AI4OCEANS-gruppen, i IPL, där denna forskningslinje bedrivs. "Våra modeller fungerar särskilt bra i de kustområden som är mest påverkade av inre klimatvariationer, men de är allmänt tillämpliga för att utvärdera stigande och fallande havsnivåmönster över många platser runt om i världen, " lade Cristina Radín till, en medlem i teamet som professor Gustau Camps-Valls också har samarbetat med.

Detta är den första studien som använder artificiell intelligens i haven för att göra den här typen av förutsägelser. Att modellera och förutse förändringar i havsnivån under de kommande åren är avgörande för beslutsfattande på kort sikt och strategisk planering om kustskyddsåtgärder.

Teamet har också utvecklat en interaktiv karta, som ett stödverktyg som gör det möjligt att inspektera enskilda regioner där förutsägelsen av maskininlärningsmodellen gjordes.