CLOINet: Una Xarxa Neuronal Integral per a la Reconstrucció 3D de l'Estat Oceànic
CLOINet marca una fita en la comprensió del comportament oceànic en integrar dades de diverses plataformes d'observació. A més aquesta eina ha mostrat una millora significativa en el seu rendiment, reduint el marge d'error en fins a un 40%.Això és crucial per a la gestió sostenible de recursos marins, la mitigació del canvi climàtic i la conservació d'ecosistemes marins.
Un equip d'investigadors de l'IMEDEA, en col·laboració amb el SOCIB i el IMT Atlantique, ha desenvolupat CLOINet, una innovadora eina dissenyada específicament per a abordar el desafiament d'integrar observacions disperses realitzades en l'oceà (in situ) en un model tridimensional complet de l'estat oceànic
El que fa única a CLOINet, és la seva capacitat per a aprofitar la informació provinent d'imatges de teledetecció oceànica, com aquelles obtingudes a través de satèl·lits, per a complementar i enriquir la informació proporcionada per les observacions in situ.
Un equip multidisciplinari d'experts en oceanografia i aprenentatge automàtic va liderar aquest projecte, combinant la seva experiència en totes dues àrees per a desenvolupar una solució innovadora. La combinació d'aquestes dues disciplines ha permès avançar significativament en la comprensió i el modelatge de l'estat de l'oceà, la qual cosa és crucial per als desafiaments ambientals i climàtics actuals.
Aquest estudi sorgeix a causa de la gran quantitat d'imatges satel·litàries i dades in situ disponibles, i la necessitat de desenvolupar tècniques avançades d'intel·ligència artificial per a combinar aquestes dades de manera efectiva.
Desxifrant Misteris Oceànics: L'Avanç de CLOINet en la Reconstrucció de Precisió
Durant el procés d'entrenament de la xarxa neuronal CLOINet es va dur a terme utilitzant un enfocament d'extrem a extrem dins d'un marc acte-supervisat. Això significa que la xarxa neuronal es va entrenar per a fer una tasca específica (en aquest cas, la reconstrucció tridimensional de la salinitat de l'oceà) alhora que automàticament etiquetava i agrupava les dades proporcionades en clústers basat en les seves similituds.
Per a generar aquests conjunts de dades, els investigadors van utilitzar Experiments de Simulació del Sistema d'Observació (OSSEs). Aquests experiments impliquen simular observacions que imiten les que es recollirien en condicions reals. En aquest cas, es van basar en la simulació NATL60, que és una simulació numèrica de l'oceà Atlàntic Nord derivada del model NEMO (Nucleus for European Modelling of the Ocean). Aquestes simulacions van proporcionar dades sintètiques que es van utilitzar per a entrenar i provar el rendiment de CLOINet.
L'objectiu principal de l'estudi va ser comparar la capacitat de reconstrucció tridimensional de la salinitat de l'oceà entre CLOINet i una versió sempre basada en xarxes neuronals de la Interpolació Òptima clàssica, denominada OINet. La Interpolació Òptima és una tècnica estadística comunament utilitzada per a estimar valors desconeguts entre observacions conegudes. OINet representa una versió d'aquesta tècnica adaptada per a estimar automàticament els seus paràmetres i aprofitar la potència de càlculs de les targetes gràfiques (GPU).
A més de comparar el rendiment entre CLOINet i OINet, l'estudi també va avaluar la capacitat de totes dues metodologies en aplicacions pràctiques que involucraven dades observacionals reals. Això va permetre als investigadors comprendre com s'exercien aquestes eines en situacions del món real, la qual cosa és fonamental per a avaluar la seva utilitat i aplicabilitat en aplicacions pràctiques de monitoratge i predicció de l'oceà.
La recerca va abastar diversos escenaris, incloent-hi observacions de salinitat in situ espaiades tant de manera aleatòria com regular, aparellades amb diferents entrades de teledetecció com la Temperatura de la Superfície de la Mar (SST), l'Altura de la Superfície de la Mar (SSH), o una combinació d'ambdues. Es va trobar que CLOINet va poder resoldre escales 1.5 vegades més petites en comparació amb OINet en mostrejos regulars densos, i va mostrar un rendiment millorat en termes de RMSE i correlació en contextos de mostreig aleatori, especialment quan les observacions disponibles eren limitades.
Els resultats van mostrar que CLOINet va ser capaç de reconstruir detalls més petits en la distribució de la salinitat en comparació amb OINet, especialment en els casos en què es disposava de poques observacions in-*situ.
Malgrat no haver-se entrenat específicament per a manejar errors o soroll en les dades, CLOINet va mostrar prometedors resultats amb dades reals. Va poder combinar de manera efectiva informació sorollosa de clorofil·la i temperatura in-*situ de AUV (Vehicle Submarí Autònom), i va reconstruir amb èxit patrons de temperatura de l'oceà que no havia vist abans, la qual cosa suggereix el seu potencial en aplicacions operatives del món real.
El disseny modular de CLOINet no sols millora la comprensió dels seus processos interns, sinó que també el posiciona per a futures millores. L'equip planeja explorar l'extensió del model per a incorporar dinàmiques espaciotemporals, així com la seva aplicació en campanyes oceàniques multiplataforma de mostreig adaptatiu. A més, esperen aprofitar les pròximes observacions d'alta resolució de SSH de la missió SWOT per a refinar i aplicar encara més CLOINet.
Referència
Eugenio Cutolo, Ananda Pascual, Simon Ruiz, Nikolaos D. Zarokanellos, Ronan Fablet
Referencia
Eugenio Cutolo, Ananda Pascual, Simon Ruiz, Nikolaos D. Zarokanellos, Ronan Fablet