IA Descobre 5 Regiões Oceânicas Dinâmicas Cobrindo 93,7% da Terra

Machine Learning Identifica Padrões Oceânicos Robustos via Clustering K-means em Dados ECCO

Antes de métodos avançados, estado físico/dinâmico do oceano determinado por descrições quasi-laminares de grande escala (fluxos Stommel-Arons, receitas abissais, balanço Sverdrup). Avanços recentes mostram variabilidade espacial/temporal intrincada. Cada região marinha tem estado único dependente de meteorologia local, proximidade a fronteiras oeste/leste, etc.

Para detectar física dominante em local, precisa examinar número avassalador de pontos para parâmetros (salinidade, velocidade, temperatura, variação com profundidade). Impossível para humanos decifrar → MIT desenvolveu ML para identificar links/padrões sensatos.

O Que o Algoritmo Resolveu

• Usou ECCO (Estimating the Circulation and Climate of the Ocean): variabilidade oceânica, física costeira, ciclos biológicos, geodésia — bilhões de parâmetros em 2 décadas.
• Aplicou K-means clustering (quantização vetorial) para detectar padrões robustos e determinar física dominante.
• Resultado: 5 clusters = 5 regiões dinâmicas consistentes cobrindo 93,7% do oceano mundial.

Maior Cluster (43% do Mar Global)

Parâmetro dominante: tensão do vento na superfície do mar balanceada por torques no fundo. Registrado em giros subpolares/subtropicais no Hemisfério Norte, grandes porções do Ártico, faixa fina no Oceano Austral.

Outros 4 clusters mostram parâmetro dominante e localização exata. 6,3% restantes = desafiadores.

Próximos Passos

Próximo estudo: mesma técnica com dados de maior resolução para rastrear 6,3% restantes. Foco em fatores sensíveis ao clima: circulação de giros e revolvimento.

Ferramenta atual ajuda oceanógrafos/cientistas a facilitar análise, comparar regiões com comportamento similar, focar pesquisa nos lugares certos.

Referência: Wiley Online Library | doi:10.1029/2018EA000519 | MIT