Sloj okeanske barijere, koji se nalazi između osnove okeanskog mešovitog sloja gustine i vrha izotermnog sloja, igra ključnu ulogu u vertikalnim procesima mešanja okeana. Promene u ovom sloju direktno utiču na transport toplote i saliniteta u okeanu, što dalje utiče na regionalne vremenske i klimatske obrasce. Međutim, zbog ograničenja u posmatranju ovog sloja, dobijanje visokokvalitetnih podataka ostaje izazov.
Nedavno je istraživački tim predvođen prof. Jin Baošuom sa Instituta za okeanologiju Kineske akademije nauka (IOCAS) ostvario značajan napredak u proceni strukture sloja okeanske barijere koristeći podatke visoke rezolucije dobijene putem satelitskog daljinskog istraživanja. Tim je primenio napredne tehnike mašinskog učenja, uključujući konvolucione neuronske mreže (CNN), zatvorene rekurentne jedinice (GRU) i veštačke neuronske mreže (ANN) kako bi razvili novi pristup višemodelnog ansambla. Ovaj pristup je značajno poboljšao tačnost procene strukture sloja okeanske barijere.
Studija se fokusirala na ključne parametre površine mora, uključujući temperaturu površine mora, salinitet površine mora i brzinu vetra površine mora. Korišćenjem ovih podataka, istraživači su precizno rekonstruisali strukturu sloja okeanske barijere, smanjujući srednju kvadratnu grešku u pojedinim okeanskim regionima.
Ovo dostignuće prevazilazi tradicionalne metode posmatranja i numeričkih modela, otvarajući nove mogućnosti za razumevanje dinamike okeana i istraživanje uticaja na životnu sredinu. Koristeći mašinsko učenje u tandemu sa satelitskim podacima, ova studija istražuje potencijal primene ove tehnologije u budućem istraživanju mora i borbi protiv globalnih klimatskih promena.
