Forradalmi adatpótlási módszer
A műholdas mérések ugyan folyamatos és részletes tájékoztatást kínálnak, de a felhők, csapadék vagy technikai akadozások gyakran hiányokat hagynak az adatrendszerben, megnehezítve a hosszú távú és nagy felbontású elemzéseket. A UNIST kutatócsoportja – Jungho Im professzor vezetésével – most egy forradalmi MI-alapú módszerrel állt elő: a Generatív Adverzáriális Hálózat (GAN, Generative Adversarial Network) segítségével pótolják a hiányzó műholdas adatokat 2 kilométeres térbeli felbontással, óránkénti frissítéssel.
Új szint az előrejelzésben
Ez a fejlesztés jelentősen javítja az óceáni viszonyok megértését, amelyek közvetlenül alakítják a régió időjárását. Az óceán felszínén tárolódik a Föld energiájának mintegy 90%-a, a hőcsere pedig az SST-n keresztül zajlik az óceán és a légkör között. Ha a víz melegebb, az több energiát ad a levegőnek, így erősebb viharokat, hőhullámokat és esőzéseket idézve elő.
Fizika+MI = Robusztus klímamodellek
A GAN-architektúrát nagy gyakoriságú műholdas adatokkal és numerikus időjárás-előrejelző modellekből (NWP – Numerical Weather Prediction) származó termodinamikai összefüggésekkel tanították. Az MI így képes valósághű, szinte megszakítás nélküli SST-adatokat generálni ott is, ahol a hagyományos statisztikai vagy interpolációs módszerek már csődöt mondanak. Az eredmény: pontosabb, részletgazdag tengerfelszíni hőmérséklet-térképek az extrém változások idején is.
Jövőbiztos klímavédelem
A módszer különösen fontos a Csendes-óceán északnyugati térségében, ahol rendszeresek a tájfunok és klímaváltozási anomáliák. A pontos SST-adatok elősegítik az időjárási előrejelzések és klímamodellezések fejlődését, valamint lehetővé teszik olyan korai riasztórendszerek bevezetését, amelyek a tengeri hőhullámokhoz vagy egyéb katasztrófákhoz kapcsolódnak, így védve meg a közösségeket és ökoszisztémákat.
