AI w parametryzacji danych oceanograficznych

Aleksandra Justyna Kaleta

doi:10.26881/tutg.2025.1.01

Autor

Aleksandra Justyna Kaleta Uniwersytet Gdański

DOI:

https://doi.org/10.26881/tutg.2025.1.01

Słowa kluczowe:

nauczanie maszynowe, analiza danych niestabilnych, oceanografia, lodowce

Abstrakt

Nauczanie maszynowe jest dynamicznie rozwijającą się częścią sztucznej inteligencji. W ostatnich latach coraz częściej zaczynamy korzystać z jego nieograniczonych zastosowań. Celem publikacji jest przedstawienie możliwości wykorzystania sztucznej inteligencji w analizach niestabilnych danych oceanograficznych, gdzie klasyczne metody nie dają satysfakcjonujących wyników. Wykonano nienadzorowaną parametryzację oraz przedstawiono przykłady eksperymentalne serii danych: satelitarnych NASA i arktycznych ekspedycji oceanograficznych. Proponowana metoda, opierająca się na binaryzacji oraz parametryzacji, działa dobrze w przypadku klasyfikacji lodu oraz miejsc potencjalnego cielenia lodowców. Dużą rolę odgrywa właściwe ustalenie progu binaryzacji i jest to potencjalna rola nauczania maszynowego. Obok przykładów w formie graficznej przedstawiono podstawowe statystyki określające m.in. zmiany wartości entropii.

Downloads

Download data is not yet available.

Bibliografia

Ahmad H. (2019). Machine learning applications in oceanography. Aquatic Research, nr 2(3), s. 161-169.

Alpaydin E. (2021). Machine learning. Cambridge: Wydawnictwo Mit Press.

Duvillard P.A., Ravanel L., Deline P. (2015). Risk assessment of infrastructure destabilisation due to global warming in the high French Alps. Journal of Alpine Research/ Revue de géographie alpine, nr 103(2), s. brak.

Ekasari S., Judijanto L., Vandika, A. Y. (2024). The role of artificial intelligence and machine learning in precision targeting: revolutionizing marketing. Jurnal Ekonomi dan Bisnis (JEBI), nr 2(3), s. 347-361.

Faillettaz J., Funk M., Vincent C. (2015). Avalanching glacier instabilities: Review on processes and early warning perspectives. Reviews of Geophysics, nr 53(2), s. 203- 224.

Haeberli W., Schaub Y., Huggel C. (2017). Increasing risks related to landslides from degrading permafrost into new lakes in deglaciating mountain ranges. Geomorphology, nr 293, s. 405-417.

Marcer M., Serrano C., Brenning A., Bodin X., Goetz J., Schoeneich P. (2019). Evaluating the destabilization susceptibility of active rock glaciers in the French Alps. The Cryosphere, nr 13(1), s. 141-155.

Molvaer, R. K. (1991). Environmentally induced conflicts? A discussion based on studies from the Horn of Africa. Bulletin of Peace Proposals, nr 22(2), s. 175-188.

Paszkuta M. (2023). 2AI-Artificial Intelligence as a key component in inspiring education through Authentic Inquiry. Prezentowane na: International Conference "STEAM & AI in Education". XII International Scientific Seminar "Science - Society - Didactics".

Paszkuta M., Szymczak E. (2024). Using AI to develop academic skills in practical university courses. Prezentowane na: International Conference "STEAM & AI in Education". XIII International Scientific Seminar "Science - Society - Didactics" .

Ponomarenko I.V., Pavlenko V.M., Morhulets O.B., Ponomarenko D.V., Ukhnal N.M. (2024). Application of artificial intelligence in digital marketing. W: CEUR Workshop Proceedings, nr 3662, s. 155-166.

Stocker A.N., Renner A.H.H., Knol-Kauffman M. (2020). Sea ice variability and maritime activity around Svalbard in the period 2012–2019. Scientific Reports, nr 10, s. brak.

Woodman R. J., Mangoni A. A. (2023). A comprehensive review of machine learning algorithms and their application in geriatric medicine: present and future. Aging Clinical and Experimental Research, nr 35(11), s. 2363-2397.

Zakhvatkina N., Smirnov V., Bychkova I. (2019). Satellite SAR data-based sea ice classification: An overview. Geosciences, nr 9(4), s. 152.

Zbili M., Rama S. (2021). A quick and easy way to estimate entropy and mutual information for neuroscience. Frontiers in Neuroinformatics, nr 15(596443).

Źródła internetowe:

_1: NASA Earth Observatory https://earthobservatory.nasa.gov/topic/snow-and-ice [dostęp 02.11.2023] .

_2: NASA Earth Observatory https://earthobservatory.nasa.gov/topic/snow-and-ice [dostęp 02.11.2023].

_1: Kukulya A. https://www.whoi.edu/knowyour-ocean/ocean-topics/how-theocean-works/frozen-ocean/glaciers-icesheets/.

_2: Mommaerts R. https://timesofindia.indiatimes.com/travel/things-to-do/hubbard-glacier/articleshow/35384197.cms.

- https://www.sap.com/poland/products/artificial-intelligence/what-is-machine-learning.html [dostęp 31.08.2023].

- https://earthobservatory.nasa.gov/topic/snow-and-ice [dostęp 02.11.2023].