Científicos de la Institución Oceanográfica Scripps de la UC San Diego han dado un paso importante hacia una monitorización más detallada de los océanos. Su nuevo sistema de inteligencia artificial, llamado GOFlow (Flujo Oceánico Geostacionario), traduce imágenes térmicas de satélites meteorológicos en mapas de alta resolución de corrientes superficiales. El trabajo, presentado en el número del 13 de abril de Nature Geoscience, marca la primera vez que los investigadores han podido observar corrientes pequeñas y rápidamente cambiantes desde el espacio con el nivel de detalle que anteriormente estaba limitado a modelos informáticos.

El autor principal, Luc Lenain, oceanógrafo de Scripps, describió el avance como una forma de "extraer información física que ya está presente en las observaciones satelitales, pero que ha sido difícil de recuperar con métodos tradicionales". El equipo entrenó a GOFlow con datos simulados de flujo oceánico antes de aplicarlo a imágenes térmicas del mundo real. Al rastrear las variaciones de temperatura que surgen cuando el agua se mueve, la IA infirió las corrientes subyacentes.

Para validar el enfoque, los investigadores compararon los resultados de GOFlow con mediciones recogidas por buques de investigación que atravesaban la Corriente del Golfo. También compararon la IA con técnicas satelitales convencionales que se basan en anomalías de altura de la superficie del mar. Las comparaciones mostraron un fuerte acuerdo, pero GOFlow entregó un detalle espacial más fino, revelando microremolinos y características transitorias que los métodos antiguos pasaron por alto.

"Ahora podemos observar corrientes oceánicas pequeñas y cambiantes desde el espacio con mucho más detalle y frecuencia que antes", dijo Lenain en una entrevista. Agregó que estas corrientes desempeñan un papel crítico en el transporte de calor, carbono, nutrientes y contaminantes, lo que hace que su cartografía precisa sea esencial para los modelos climáticos, los ecosistemas marinos y incluso las rutas de navegación comerciales.

A pesar de su promesa, GOFlow enfrenta desafíos prácticos. La cobertura de nubes puede obscurecer la vista del satélite, impidiendo que la IA extraiga datos de temperatura en días nublados. Los investigadores planean integrar fuentes satelitales adicionales para llenar estos vacíos, con el objetivo de obtener una imagen global más continua.

La transparencia es un principio fundamental del proyecto. El equipo liberará el código de GOFlow de forma abierta, invitando a otros científicos a construir sobre la plataforma. Lenain enfatizó el objetivo de "hacer que este trabajo sea transparente, reproducible y útil para la comunidad más amplia". Ve el sistema como un paso hacia el uso rutinario de conjuntos de datos de teledetección masivos combinados con aprendizaje automático.

El desarrollo de GOFlow se enmarca en una tendencia más amplia de aplicaciones de IA en la observación de la Tierra. Agencias como la NASA y la Agencia Espacial europea, junto con empresas espaciales privadas, están explorando herramientas similares para acelerar el análisis de datos y mejorar la precisión. A medida que estas tecnologías maduren, podrían cambiar la forma en que los gobiernos, aseguradoras, agricultores y otros actores confían en la información derivada de satélites para la toma de decisiones.

Usado: News Factory APP - descubrimiento de noticias y automatización - ChatGPT para Empresas