Un modelo de IA asistido por atención para la estimación de la velocidad del sonido submarino en tiempo real...

Área de la Ciencia:

• Oceanografía
• Acústica
• Inteligencia artificial

Sus antecedentes:

• La distribución de la velocidad del sonido submarino es crucial para la navegación y la comunicación.
• Los métodos tradicionales requieren la recopilación de datos in situ, lo que limita la estimación en tiempo real.
• Los perfiles precisos de velocidad del sonido son esenciales para comprender la propagación de las señales acústicas.

Objetivo del estudio:

• Desarrollar un método de estimación del perfil de velocidad del sonido submarino (SSP) en tiempo real.
• Eliminar la necesidad de recopilación de datos in situ submarinos.
• Establecer una estimación rápida y precisa de la distribución de la velocidad del sonido.

Principales métodos:

• Se propuso una red neuronal convolucional de fusión de datos multimodales (SA-MDF-CNN) integrada con autoatención.
• Se utilizaron datos de temperatura de la superficie del mar (SST) de teledetección, características históricas de SSP y coordenadas espaciales como entradas.
• Se emplearon CNNs y mecanismos de atención para la extracción de correlaciones de datos locales y globales.

Principales resultados:

• El modelo SA-MDF-CNN demostró una precisión y estabilidad superiores en comparación con los métodos existentes.
• Se lograron tasas de error reducidas en la estimación de la distribución de la velocidad del sonido.
• Se demostró una mayor resistencia a las perturbaciones en la estimación en tiempo real.

Conclusiones:

• El SA-MDF-CNN propuesto permite la estimación de la velocidad del sonido submarino en tiempo real y sin necesidad de datos in situ.
• Este enfoque impulsado por IA mejora significativamente la precisión del modelado acústico submarino.
• El método promete avanzar en las tecnologías de comunicación y posicionamiento submarino.