Os cientistas desenvolveram uma nova maneira de rastrear as correntes superficiais oceânicas em grandes áreas com mais detalhes do que nunca. A técnica, conhecida como GOFLOW (Geostationary Ocean Flow), utiliza aprendizado profundo para analisar imagens térmicas capturadas por satélites meteorológicos já em órbita. Por se basear em satélites existentes, o método proporciona um grande avanço no monitoramento dos oceanos sem a necessidade de novos equipamentos no espaço.
A pesquisa foi liderada por Luke Lenine, do Scripps Institution of Oceanography da UC San Diego, e Kaushik Srinivasan, agora ex-aluno do Scripps na UCLA. Seus resultados foram publicados Natureza e Geografia. Os coautores Roy Barkan, da Universidade de Tel Aviv, e Nick Pizzo, da Universidade de Rhode Island, também treinaram na Scripps. O financiamento veio do Office of Naval Research, da NASA e do European Research Council.
Por que as correntes oceânicas são importantes para o clima e a vida
As correntes oceânicas são essenciais para o funcionamento do planeta. Eles transferem calor globalmente, transferem carbono entre a atmosfera e as profundezas do oceano e fazem circular nutrientes que sustentam os ecossistemas marinhos. Eles desempenham um papel importante em situações do mundo real, como nos esforços de busca e salvamento e no rastreamento de derramamentos de petróleo.
Apesar da sua importância, era difícil medir com precisão as correntes em grandes áreas. Alguns satélites estimam as correntes indiretamente, observando as mudanças no nível do mar, mas normalmente revisitam a mesma área apenas uma vez a cada 10 dias – demasiado lento para captar correntes que podem aumentar e desaparecer em poucas horas. Os radares marítimos e costeiros podem detectar mudanças rapidamente, mas apenas em áreas limitadas.
O elo perdido na mistura oceânica
Esta limitação deixou os cientistas com um grande ponto cego nas escalas onde ocorre a mistura vertical. A mistura vertical ocorre quando as águas superficiais descem ou as águas profundas sobem, e é impulsionada por características que podem ser menores que 10 quilômetros (seis milhas) e mudar rapidamente.
Compreender esse processo é muito importante. Traz nutrientes das profundezas do oceano para a superfície, sustenta a vida marinha e transporta dióxido de carbono para o fundo, onde pode ser armazenado a longo prazo. Sem observações detalhadas, grande parte desta actividade continua a ser difícil de medir directamente.
Convertendo imagens de satélite em mapas de correntes oceânicas
A ideia do GOFLOW começou em 2023, quando Lenin examinou imagens térmicas do Atlântico Norte a partir do satélite GOES-East, que é comumente usado para monitoramento meteorológico. Essas imagens são capturadas a cada cinco minutos e mostram padrões de água quente e fria nas nuvens, bem como na superfície do oceano.
Lenin notou que grandes correntes como a Corrente do Golfo eram visíveis nestes padrões de temperatura. Essa observação levou à ideia de converter esses padrões em uma nova forma de medir as correntes oceânicas.
Como a IA rastreia as correntes oceânicas
Para tornar isso possível, a equipe de pesquisa treinou uma rede neural para entender como os padrões de temperatura da superfície do oceano mudam e se moldam sob a influência das correntes. O sistema aprendeu com simulações computacionais detalhadas da circulação oceânica, que vinculavam padrões específicos de temperatura a velocidades conhecidas da água.
Depois de treinado, o modelo analisa sequências de imagens de satélite e rastreia como esses padrões se movem ao longo do tempo. A partir deste movimento, pode-se determinar a corrente subjacente responsável pela mudança.
“Os satélites meteorológicos monitoram a superfície do oceano há anos”, disse Lenin. “O avanço foi aprender como transformar esse lapso de tempo em mapas horários de correntes, rastreando os padrões de temperatura à medida que eles se curvam, se esticam e se movem de uma hora para a outra.”
Verificando a precisão em relação aos dados do mundo real
Os investigadores avaliaram o GOFLOW em 2023 comparando os seus resultados com medições diretas recolhidas por navios na região da Corrente do Golfo, bem como com métodos tradicionais de satélite baseados na topografia oceânica. Os resultados corresponderam estreitamente a ambas as fórmulas.
No entanto, o GOFLOW forneceu detalhes muito mais nítidos, especialmente para feições pequenas e de movimento rápido, como redemoinhos e camadas limites. Os métodos anteriores muitas vezes suavizam esses recursos para médias amplas. Com a resolução melhorada, a equipe conseguiu identificar padrões estatísticos importantes de correntes pequenas e intensas que impulsionam a mistura vertical. Até agora, estes padrões foram observados principalmente em simulações, e não em observações diretas.
“Isso abre uma gama de possibilidades interessantes na oceanografia física que, até agora, eram amplamente acessíveis apenas através de simulações”, disse Lennen. “Usando o GOFLOW, podemos agora medir a assinatura chave destas correntes pequenas e intensas usando observações reais, em vez de confiar quase inteiramente em simulações. Isto abre a porta para testar ideias de longa data sobre como o oceano absorve calor e carbono.”
Não são necessários novos satélites
Como o GOFLOW trabalha com dados de satélites geoestacionários existentes, não requer o lançamento de novos instrumentos ao espaço. Com o tempo, o método poderá ser integrado em sistemas de previsão do tempo e modelos climáticos. Ao capturar correntes em rápida mudança, pode melhorar as previsões relacionadas às interações ar-mar, ao movimento de detritos marinhos e à dinâmica dos ecossistemas.
Desafios e expansão futura
A cobertura de nuvens continua sendo uma limitação, uma vez que as nuvens bloqueiam as imagens térmicas das quais o GOFLOW depende. A equipa de investigação planeia integrar fontes adicionais de dados de satélite para preencher estas lacunas e alcançar uma cobertura mais consistente.
Já estão em andamento trabalhos para expandir o método globalmente. A equipe disponibilizou publicamente seus produtos de dados e códigos, o que pode ajudar outros cientistas a desenvolver visões e explorar novas aplicações.
