الكشف عن تيارات المحيط الخفية بتفاصيل مذهلة بواسطة الذكاء الاصطناعي

يعمل الذكاء الاصطناعي على تحويل الأقمار الصناعية الخاصة بالطقس إلى أجهزة تتبع في الوقت الفعلي لتيارات المحيط الخفية.

ابتكر العلماء طريقة جديدة لقياس التيارات السطحية للمحيطات عبر مناطق كبيرة بتفاصيل أكبر بكثير مما كان ممكنًا في السابق. تستخدم الطريقة، المعروفة باسم GOFLOW (تدفق المحيط الثابت بالنسبة إلى الأرض)، التعلم العميق لتحليل الصور الحرارية التي تلتقطها أقمار الطقس الصناعية الموجودة بالفعل في المدار. ونظرًا لأنه يعتمد على بيانات الأقمار الصناعية الموجودة، فإن هذا النهج يحقق تقدمًا كبيرًا في مراقبة المحيطات دون الحاجة إلى أجهزة جديدة.

قاد الدراسة لوك لينين من معهد سكريبس لعلوم المحيطات بجامعة كاليفورنيا في سان دييغو وكوشيك سرينيفاسان، وهو خريج سكريبس الآن في جامعة كاليفورنيا. جامعة كاليفورنيا. تم نشر أعمالهم في علوم الأرض الطبيعية. المؤلفان المشاركان روي باركان من جامعة تل أبيب ونيك بيزو من جامعة رود آيلاند درسا أيضًا في سكريبس. وجاء التمويل من مكتب البحوث البحرية، ناسا ومجلس البحوث الأوروبي.

لماذا تعتبر تيارات المحيط مهمة؟

تعتبر تيارات المحيط أساسية لكيفية عمل النظام المناخي للأرض. فهي تنقل الحرارة حول الكوكب، وتنقل الكربون بين الغلاف الجوي وأعماق المحيطات، وتنقل العناصر الغذائية التي تدعم الحياة البحرية. كما أنها تلعب دورًا مهمًا في التطبيقات العملية مثل مهام البحث والإنقاذ وتتبع الانسكابات النفطية.

على الرغم من أهميتها، فإن قياس تيارات المحيطات على مساحات واسعة كان أمرًا صعبًا للغاية. تقوم بعض الأقمار الصناعية بتقدير التيارات بشكل غير مباشر من خلال مراقبة التغيرات في ارتفاع سطح البحر، لكنها عادة ما تقوم بزيارة نفس الموقع كل 10 أيام أو نحو ذلك، وهو أمر نادر جدًا بحيث لا تتمكن من التقاط التيارات التي يمكن أن تظهر وتختفي في غضون ساعات. يمكن للسفن وأنظمة الرادار الساحلية اكتشاف التغيرات السريعة، ولكن فقط في مناطق صغيرة نسبيًا.

تحدي الخلط العمودي

وقد تركت هذه القيود فجوة كبيرة في عمليات الرصد عند المقاييس التي يحدث فيها الاختلاط الرأسي – عندما تتحرك المياه السطحية إلى الأسفل، أو عندما ترتفع المياه العميقة إلى الأعلى. يمكن أن تكون الميزات التي تؤدي إلى هذا الاختلاط أصغر من 10 كيلومترات (ستة أميال) ويمكن أن تتغير في غضون ساعات.

يعد الخلط العمودي أمرًا بالغ الأهمية لأنه ينقل العناصر الغذائية من المياه العميقة إلى السطح، مما يدعم النظم البيئية البحرية. كما أنه ينقل ثاني أكسيد الكربون من السطح إلى داخل المحيط، حيث يمكن تخزينه لفترات طويلة. ومن دون ملاحظات تفصيلية، ناضل العلماء من أجل فهم هذه العمليات بشكل كامل.

تحويل صور الأقمار الصناعية إلى خرائط حالية

ظهرت الفكرة وراء GOFLOW في عام 2023 عندما فحصت لينين الصور الحرارية لشمال المحيط الأطلسي من القمر الصناعي الثابت بالنسبة للأرض GOES-East، والذي يستخدم بشكل أساسي لمراقبة الطقس. يتم جمع هذه الصور كل خمس دقائق وتظهر السحب بالإضافة إلى أنماط المياه الدافئة والباردة عبر سطح المحيط.

لاحظ لينين أن التيارات الرئيسية مثل تيار الخليج يمكن رؤيتها في أنماط درجات الحرارة هذه. أدت هذه الملاحظة إلى فكرة تحويل التغيرات في درجات الحرارة المرئية إلى وسيلة لقياس تيارات المحيط.

كيف يتتبع الذكاء الاصطناعي حركة المحيط

ولجعل ذلك ممكنًا، قام الفريق بتدريب شبكة عصبية للتعرف على كيفية تغير وتشوه أنماط درجات الحرارة على سطح المحيط تحت تأثير التيارات. وقد تعلم النظام من عمليات المحاكاة الحاسوبية عالية الدقة لدوران المحيطات، والتي قدمت أمثلة تربط أنماط درجات الحرارة بسرعات المياه.

ومن خلال تحليل تسلسل صور الأقمار الصناعية وتتبع كيفية تحرك هذه الأنماط بمرور الوقت، يمكن للنموذج المدرب استنتاج التيارات المسؤولة عن التغييرات.

وقال لينين: “إن الأقمار الصناعية الخاصة بالطقس تراقب سطح المحيط منذ سنوات”. “كان الاختراق هو تعلم كيفية تحويل هذا الفاصل الزمني إلى خرائط للتيارات كل ساعة من خلال تتبع كيفية انحناء أنماط درجة الحرارة وتمددها وانتقالها من ساعة إلى أخرى.”

تم تأكيد الدقة ببيانات حقيقية

واختبر الباحثون GOFLOW من خلال مقارنة نتائجه مع القياسات التي جمعتها السفن في منطقة جلف ستريم خلال عام 2023، وكذلك مع طرق الأقمار الصناعية التقليدية القائمة على تضاريس المحيط. وأظهرت النتائج اتفاقا قويا.

في الوقت نفسه، كشفت GOFLOW عن تفاصيل أكثر دقة، خاصة بالنسبة للميزات الأصغر والأسرع حركة مثل الدوامات والطبقات الحدودية. غالبًا ما تعمل الطرق السابقة على تسهيل هذه الميزات إلى متوسطات واسعة النطاق. بفضل هذه الدقة المحسنة، تمكن العلماء من اكتشاف التوقيعات الإحصائية الرئيسية للتيارات الصغيرة والمكثفة التي تؤدي إلى الخلط العمودي، والذي تمت ملاحظته سابقًا بشكل رئيسي في عمليات المحاكاة.

وقال لينين: “يفتح هذا مجموعة من الاحتمالات المثيرة في علم المحيطات الفيزيائي، والتي لم يكن من الممكن الوصول إليها حتى الآن إلا من خلال عمليات المحاكاة”. “باستخدام GOFLOW، يمكننا الآن قياس التوقيعات الرئيسية لهذه التيارات الصغيرة والمكثفة باستخدام ملاحظات حقيقية بدلاً من الاعتماد بشكل كامل تقريباً على عمليات المحاكاة. وهذا يفتح الباب لاختبار أفكار قديمة حول كيفية امتصاص المحيط للحرارة والكربون.”

لا حاجة إلى أقمار صناعية جديدة

ونظرًا لأن GOFLOW يستخدم بيانات من الأقمار الصناعية الحالية المستقرة بالنسبة إلى الأرض، فإنه لا يتطلب إطلاق أدوات جديدة إلى الفضاء. وبمرور الوقت، يمكن دمج هذه الطريقة في التنبؤات الجوية والنماذج المناخية. وقد يؤدي أيضًا إلى تحسين التنبؤات من خلال التقاط التيارات سريعة التغير التي تؤثر على التفاعلات الجوية والبحرية، وحركة الحطام البحري، والنظم البيئية للمحيطات.

القيود والخطوات التالية

لا يزال الغطاء السحابي يمثل تحديًا، نظرًا لأن السحب تحجب الصور الحرارية التي يعتمد عليها GOFLOW. ويخطط فريق البحث لدمج أنواع إضافية من بيانات الأقمار الصناعية لملء هذه الفجوات وتوفير تغطية أكثر استمرارية.

ويجري العمل بالفعل لتوسيع هذه الطريقة عالميًا. كما قام الفريق أيضًا بإتاحة منتجات البيانات والتعليمات البرمجية الخاصة به للجمهور، مما سيدعم المزيد من البحث ويساعد في استكشاف تطبيقات جديدة للتكنولوجيا.

المرجع: “رؤية غير مسبوقة لتيارات المحيط من الأقمار الصناعية المستقرة بالنسبة إلى الأرض” بقلم لوك لينين، وكوشيك سرينيفاسان، وروي باركان، ونيك بيزو، 13 أبريل 2026، علوم الأرض الطبيعية.
دوى: 10.1038/s41561-026-01943-0

لا تفوت أي اختراق: انضم إلى النشرة الإخبارية SciTechDaily.
تابعونا على جوجل و أخبار جوجل.