Un marco de aprendizaje profundo para la predicción del campo de velocidad del sonido oceánico en cuatro dimensiones

Área de la Ciencia:

• Oceanografía
• Geofísica
• Inteligencia Artificial

Sus antecedentes:

• La predicción precisa de los campos de velocidad del sonido oceánico (SSF) es vital para la comunicación submarina, la exploración marina y la monitorización ambiental.
• Los modelos de aprendizaje profundo muestran ser prometedores para la predicción de SSF, pero luchan con datos de alta dimensionalidad, lo que limita su extracción de características 3D y la captura incompleta de información espiotemporal.

Objetivo del estudio:

• Desarrollar un novedoso modelo de aprendizaje profundo para la predicción 4D de SSF, capturando información espiotemporal completa.
• Mejorar la precisión y las capacidades de los métodos existentes de predicción de SSF.

Principales métodos:

• Se propuso el modelo Swin Transformer-UNet (ST-UNet), que integra las redes U-Net y Swin Transformer.
• Se utilizó Swin Transformer para la extracción de características espiotemporales a través de la autoatención de múltiples cabezas.
• Se empleó U-Net para refinar los detalles espaciales a través de la recuperación de características convolucionales.

Principales resultados:

• El modelo ST-UNet logró un error cuadrático medio de 0,783 m/s para la predicción de SSF a 24 horas utilizando datos históricos de 7 días del Mar de China Meridional.
• Demostró un rendimiento superior en comparación con las arquitecturas de referencia, con mejoras que oscilan entre el 33% y el 72%.

Conclusiones:

• El modelo ST-UNet predice eficazmente los SSF 4D, superando a los métodos existentes.
• Este avance tiene un potencial significativo para mejorar la comunicación submarina, la exploración de recursos marinos y la monitorización ambiental.