Метаобучение помогает оценить структуру барьерного слоя океана

Исследователи из Института океанологии Китайской академии наук (IOCAS) совместно с учёными из Калифорнийского университета в Лос-Анджелесе (UCLA) разработали новый метод оценки структуры барьерного слоя океана с использованием метаобучения. Они применили ансамблевый подход, объединивший свёрточные нейронные сети (CNN), рекуррентные блоки с затворами (GRU) и искусственные нейронные сети (ANN), что повысило точность оценок.

Изменения толщины барьерного слоя — области между основанием перемешанного слоя и верхней границей изотермического слоя — влияют на вертикальное перемешивание, перенос тепла и солёности в океане, а впоследствии и на региональные погодные и климатические паттерны. Получение высококачественных эмпирических данных об этом слое традиционно затруднено из-за ограничений наблюдательных методов.

«Используя ключевые параметры поверхности моря, такие как температура (SST), солёность (SSS) и скорость ветра (SSW), мы смогли точно реконструировать структуру глубины барьерного слоя с существенно сниженной среднеквадратичной ошибкой в юго-восточной части Аравийского моря, Бенгальском заливе и восточной экваториальной части Индийского океана», — сообщил Ци Цзифэн, первый автор исследования, опубликованного в журнале Environmental Research Communications 25 сентября. Этот подход преодолевает ограничения традиционных методов и демонстрирует большой потенциал машинного обучения в океанографии.