OceanDepths: A Global Dataset of Paired Subsurface and Surface Ocean Observations

Die Weltmeere bedecken mehr als siebzig Prozent der Erdoberfläche, und doch bleiben sie eines der am wenigsten verstandenen Teile unserer eigenen Welt. Während Satelliten die „Haut“ des Ozeans mit unglaublicher Detailgenauigkeit beobachten können, indem sie die Temperatur und den Salzgehalt des Wassers direkt an der Oberfläche messen, können sie nicht sehen, was darunter liegt. Um wirklich zu verstehen, wie der Ozean das Klima der Erde reguliert, Wärme absorbiert und Wetterlagen antreibt, müssen Wissenschaftler die gesamte dreidimensionale Struktur des Wassers erfassen, von der Oberfläche bis in die Tiefsee. Jahrzehntelang haben sich Forscher auf ein Flickwerk aus schwimmenden Instrumenten verlassen, die durch das Wasser driften und Messungen an spezifischen Punkten vornehmen, aber diese Datenpunkte sind im Vergleich zur kontinuierlichen Ansicht durch Satelliten verstreut und spärlich. Diese Lücke hat es schwierig gemacht, ein vollständiges Bild der verborgenen Schichten des Ozeans zu erstellen oder die neue Generation von Werkzeugen der künstlichen Intelligenz zu trainieren, die helfen könnten, zukünftige Veränderungen vorherzusagen.

Ein Forschungsteam hat diese Lücke nun geschlossen, indem es einen massiven, vereinheitlichten Datensatz erstellt hat, der das, was Satelliten an der Oberfläche sehen, mit dem verbindet, was Instrumente tief unter der Oberfläche messen. Dieser neue Datensatz namens OceanDepths führt Beobachtungen aus fast fünfundzwanzig Jahren, vom Jahr 2000 bis 2024, in einem einzigen, organisierten Format zusammen, das für Computer leicht lesbar ist. Der Datensatz verknüpft hochauflösende Satellitenkarten der Meeresoberflächentemperatur, des Salzgehalts und der Meereshöhe mit Millionen von vertikalen Profilen von Temperatur und Salzgehalt, die von autonomen Bojen aufgenommen wurden. Durch die Abstimmung dieser zwei sehr unterschiedlichen Arten von Daten auf dasselbe Gitter haben die Forscher einen Trainingsplatz für künstliche Intelligenz geschaffen, um zu lernen, wie die Oberflächenbedingungen des Ozeans mit seinen verborgenen Tiefen zusammenhängen. Diese Arbeit füllt nicht nur ein Datenloch; sie stellt ein standardisiertes, globales Testfeld bereit, das es Wissenschaftlern ermöglicht, über grobe Annäherungen hinauszugehen und beginnen, das komplexe, dreidimensionale Verhalten des Ozeans mit beispielloser Präzision zu modellieren.

Die Herausforderung, den Ozean zu verstehen, war lange Zeit durch eine Diskrepanz in der Beobachtung definiert. Satelliten liefern eine kontinuierliche, globale Sicht auf die Oberfläche und erfassen tägliche Veränderungen der Temperatur und Höhe auf der gesamten Welt. Im Gegensatz dazu stammen die Messungen unter den Wellen von einer Flotte von etwa 4.000 autonomen Bojen, bekannt als das Argo-Programm, die mit den Strömungen driften und periodisch in die Tiefe tauchen, um die Wassersäule zu messen. Obwohl diese Bojen die systematischste Probenahme des oberen Ozeans bieten, ist ihre Abdeckung im Verhältnis zur Weite des Meeres extrem spärlich. An vielen Stellen gibt es nur eine Messung für alle paar hundert Kilometer, was riesige Lücken in unserem Wissen hinterlässt. Historisch gesehen haben Wissenschaftler versucht, diese Lücken mithilfe von Computermodellen zu füllen oder die Daten aus begrenzten Beobachtungen zu rekonstruieren, aber diese Ansätze beruhen oft auf Annahmen, die nicht überall Bestand haben. Das Ergebnis war das Fehlen einer einzigen, zuverlässigen Quelle für gepaarte Daten, die verwendet werden könnten, um künstliche Intelligenz zu lehren, die verborgene Struktur des Ozeans aus dem Sichtbaren an der Oberfläche abzuleiten.

Um dies zu lösen, haben die Forscher hinter OceanDepths einen Datensatz zusammengestellt, der Satellitenbeobachtungen mit In-situ-Messungen auf globaler Ebene paart. Sie sammelten Satellitendaten für die Meeresoberflächentemperatur, den Salzgehalt der Meeresoberfläche und die Meeresoberflächenhöhe, welche die dynamische Form der Meeresoberfläche anzeigt. Diese Oberflächenmessungen wurden mit Millionen von Temperatur- und Salzgehaltsprofilen abgeglichen, die von Instrumenten im Wasser aufgenommen wurden. Das Team hat diese unterschiedlichen Datenquellen sorgfältig auf einem gemeinsamen Gitter ausgerichtet, indem es die gesamte Welt in kleine Quadrate unterteilte und sicherstellte, dass jede Oberflächenmessung ein entsprechendes Tiefenprofil in der Nähe hatte. Der Datensatz deckt den Zeitraum von 2000 bis 2024 ab und bietet eine wöchentliche Ansicht des Zustands des Ozeans. Er umfasst über 9,5 Millionen gepaarte Profile, die auf fünfzig Standard-Tiefenniveaus interpoliert wurden und in einigen Gebieten bis zu fast 6.000 Meter hinabreichen. Diese Detailtiefe ermöglicht es Forschern, den Ozean in einer Auflösung zu untersuchen, die fein genug ist, um die wirbelnden Eddies und Strömungen zu sehen, die die Dynamik des Ozeans dominieren, anstatt nur die breiten, langsam fließenden Trends.

Ein entscheidendes Merkmal dieses neuen Datensatzes ist, dass er die rohen, gepaarten Beobachtungen liefert und nicht ein bereits rekonstruiertes Modell. Frühere Datensätze bestanden oft aus geglätteten, lückengefüllten Produkten, die von Computermodellen generiert wurden, was Fehler verdecken oder Bias einführen kann. OceanDepths hingegen bietet die tatsächlichen Messungen neben einem dichten Reanalyseprodukt, das als Referenz dient, aber nicht das primäre Ziel ist. Dieser Unterschied ist entscheidend für das Training künstlicher Intelligenz, da er es den Modellen ermöglicht, direkt aus den realen, „unordentlichen“ Daten des Ozeans zu lernen, anstatt aus einer perfekten, simulierten Version. Der Datensatz enthält auch ein konfigurierbares System, das die Welt in handhabbare Stücke oder „Patches“ unterteilt, was es Forschern erleichtert, die Daten für verschiedene Arten von Analysen zu laden und zu verarbeiten. Dieser Ansatz adressiert eine wesentliche Einschränkung früherer Arbeiten, bei denen Daten oft über verschiedene Formate und Auflösungen verstreut waren, was den Vergleich von Ergebnissen oder die Reproduzierbarkeit von Studien erschwerte.

Die Forscher testeten den Nutzen dieser neuen Ressource, indem sie sie verwendeten, um einfache Modelle der künstlichen Intelligenz zu trainieren, die den Subsurface-Zustand des Ozeans zu rekonstruieren. Das Ziel war es zu sehen, ob ein Modell die Oberflächenbedingungen und die spärlichen Messungen der Bojen betrachten und die Temperatur sowie den Salzgehalt in jeder dazwischenliegenden Tiefe genau vorhersagen kann. Die Ergebnisse zeigten, dass, während einfache statistische Methoden basierend auf historischen Durchschnitten weiterhin starke Konkurrenten blieben, die KI-Modelle in der Lage waren, mehr von den komplexen räumlichen Mustern zu erfassen, insbesondere beim Salzgehalt. Die Studie fand heraus, dass Modelle, die den umgebenden horizontalen Kontext berücksichtigten – also das Wasser um einen spezifischen Punkt herum betrachteten, anstatt nur die vertikale Säule darüber –, signifikant besser abschnitten. Dies deutet darauf hin, dass die verborgene Struktur des Ozeans tief mit den an der Oberfläche sichtbaren Mustern und dem breiteren regionalen Kontext verbunden ist, eine Beziehung, die der neue Datensatz ermöglicht es, im Detail zu erforschen.

Die Erstellung von OceanDepths stellt einen bedeutenden Schritt nach vorn sowohl für die Ozeanographie als auch für das Feld der künstlichen Intelligenz dar. Indem sie einen standardisierten, globalen und hochauflösenden Datensatz gepaarter Beobachtungen bereitstellen, haben die Forscher eine große Eintrittsbarriere für Wissenschaftler beseitigt, die maschinelles Lernen auf ozeanographische Probleme anwenden wollen. Die extreme Spärlichkeit des Datensatzes, bei der die Beobachtungen weniger als ein Prozent des Ozeans in einer gegebenen Tiefe abdecken, stellt eine einzigartige Herausforderung dar, die die Grenzen aktueller KI-Methoden testet. Sie erzwingt die Entwicklung neuer Techniken, die in der Lage sind, aus unvollständigen und unregelmäßigen Daten zu lernen, ähnlich wie ein Mensch die Form eines verborgenen Objekts erschließen könnte, indem er nur wenige Punkte an seiner Oberfläche fühlt. Die Autoren betonen, dass dieser Datensatz keine endgültige Lösung ist, sondern eine fundamentale Ressource – eine gemeinsame Basislinie, die es der Fachwelt ermöglichen wird, verschiedene Methoden zu vergleichen und Fortschritte im Laufe der Zeit zu verfolgen.

Die Auswirkungen dieser Arbeit reichen weit über bessere Karten des Ozeans hinaus. Ein tieferes Verständnis der dreidimensionalen Struktur des Ozeans ist essenziell für die Vorhersage extremer Wetterereignisse, die Verfolgung der Bewegung von Wärme und Kohlenstoff und die Verbesserung von Klimaprojektionen. Die Fähigkeit, den verborgenen Zustand des Ozeans aus Oberflächenbeobachtungen zu rekonstruieren, könnte zu genaueren Vorhersagen von marinen Hitzewellen und Veränderungen der Ozeanzirkulation führen. Darüber hinaus öffnet der Datensatz die Tür für beobachtungsbasierte Prognosemethoden, die nicht ausschließlich auf komplexen physikalischen Modellen beruhen, was potenziell einen neuen Weg eröffnet, den zukünftigen Zustand des Ozeans vorherzusagen. Die Forscher haben alle Daten, Codes und Werkzeuge öffentlich zugänglich gemacht und laden die weltweite wissenschaftliche Gemeinschaft ein, auf diesem Fundament aufzubauen und die tiefen, verborgenen Schichten unseres wichtigsten Systems zu erforschen.