Ciencia para la vida y el medio ambiente

CLOINet marca un hito en la comprensión del comportamiento oceánico al integrar datos de diversas plataformas de observación. Además esta herramienta  ha mostrado una mejora significativa en su rendimiento, reduciendo el margen de error en hasta un 40%.Esto es crucial para la gestión sostenible de recursos marinos, la mitigación del cambio climático y la conservación de ecosistemas marinos.   Un equipo de investigadores del IMEDEA, en colaboración con el SOCIB y  el IMT Atlantique, ha desarrollado CLOINet, una innovadora herramienta diseñada específicamente para abordar el desafío de integrar observaciones dispersas realizadas en el océano (in situ) en un modelo tridimensional completo del estado oceánico Lo que hace única a CLOINet, es su capacidad para aprovechar la información proveniente de imágenes de teledetección oceánica, como aquellas obtenidas a través de satélites, para complementar y enriquecer la información proporcionada por las observaciones in situ. Un equipo multidisciplinario de expertos en oceanografía y aprendizaje automático lideró este proyecto, combinando su experiencia en ambas áreas para desarrollar una solución innovadora. La combinación de estas dos disciplinas ha permitido avanzar significativamente en la comprensión y el modelado del estado del océano, lo que es crucial para  los desafíos ambientales y climáticos actuales. Este estudio surge debido a la gran cantidad de imágenes satelitales y datos in situ disponibles, y la necesidad de desarrollar técnicas avanzadas de inteligencia artificial para combinar estos datos de manera efectiva.   Descifrando Misterios Oceánicos: El Avance de CLOINet en la Reconstrucción de Precisión   Durante  el proceso de entrenamiento de la red neuronal CLOINet se llevó a cabo utilizando un enfoque de extremo a extremo dentro de un marco auto-supervisado. Esto significa que la red neuronal se entrenó para realizar una tarea específica (en este caso, la reconstrucción tridimensional de la salinidad del océano) a la vez que automáticamente etiquetaba y agrupaba los datos proporcionados en clusters basado en sus similitudes. Para generar estos conjuntos de datos, los investigadores utilizaron Experimentos de Simulación del Sistema de Observación (OSSEs). Estos experimentos implican simular observaciones que imitan las que se recogerían en condiciones reales. En este caso, se basaron en la simulación NATL60, que es una simulación numérica del océano Atlántico Norte derivada del modelo NEMO (Nucleus for European Modelling of the Ocean). Estas simulaciones proporcionaron datos sintéticos que se utilizaron para entrenar y probar el rendimiento de CLOINet. El objetivo principal del estudio fue comparar la capacidad de reconstrucción tridimensional de la salinidad del océano entre CLOINet y una versión siempre basada en redes neuronales de la Interpolación Óptima clásica, denominada OINet. La Interpolación Óptima es una técnica estadística comúnmente utilizada para estimar valores desconocidos entre observaciones conocidas. OINet representa una versión de esta técnica adaptada para estimar automáticamente sus parámetros y aprovechar la potencia de cálculos de las tarjetas gráficas (GPU). Además de comparar el rendimiento entre CLOINet y OINet, el estudio también evaluó la capacidad de ambas metodologías en aplicaciones prácticas que involucraban datos observacionales reales. Esto permitió a los investigadores comprender cómo se desempeñaban estas herramientas en situaciones del mundo real, lo que es fundamental para evaluar su utilidad y aplicabilidad en aplicaciones prácticas de monitoreo y predicción del océano. La investigación abarcó diversos escenarios, incluyendo observaciones de salinidad in situ espaciadas tanto de manera aleatoria como regular, emparejadas con diferentes entradas de teledetección como la Temperatura de la Superficie del Mar (SST), la Altura de la Superficie del Mar (SSH), o una combinación de ambas. Se encontró que CLOINet pudo resolver escalas 1.5 veces más pequeñas en comparación con OINet en muestreos regulares densos, y mostró un rendimiento mejorado en términos de RMSE y correlación en contextos de muestreo aleatorio, especialmente cuando las observaciones disponibles eran limitadas. Los resultados mostraron que CLOINet fue capaz de reconstruir detalles más pequeños en la distribución de la salinidad en comparación con OINet, especialmente en los casos en que se disponía de pocas observaciones in-situ. A pesar de no haberse entrenado específicamente para manejar errores o ruido en los datos, CLOINet mostró prometedores resultados con datos reales. Pudo combinar de manera efectiva información ruidosa de clorofila y temperatura in-situ de AUV (Vehículo Submarino Autónomo), y reconstruyó con éxito patrones de temperatura del océano que no había visto antes, lo que sugiere su potencial en aplicaciones operativas del mundo real. El diseño modular de CLOINet no solo mejora la comprensión de sus procesos internos, sino que también lo posiciona para futuras mejoras. El equipo planea explorar la extensión del modelo para incorporar dinámicas espacio-temporales, así como su aplicación en campañas oceánicas multiplataforma de muestreo adaptativo. Además, esperan aprovechar las próximas observaciones de alta resolución de SSH de la misión SWOT para refinar y aplicar aún más CLOINet.     Enlace al artículo original aquí