🤖 machine learning

Depth-Resolved Coral Reef Thermal Fields from Satellite SST and Sparse In-Situ Loggers Using Physics-Informed Neural Networks

यह शोध पत्र एक भौतिकी-सूचित न्यूरल नेटवर्क (physics-informed neural network) प्रस्तुत करता है जो ग्रेट बैरियर रीफ में गहराई-वार थर्मल क्षेत्रों और कोरल ब्लीचिंग स्ट्रेस (coral bleaching stress) को सटीक रूप से पुनर्निर्मित करने के लिए उपग्रह समुद्री सतह तापमान डेटा को विरल इन-सिटू लॉगर मापों के साथ जोड़ता है, जो अत्यधिक डेटा विरलता के तहत भी सांख्यिकीय और केवल-भौतिकी आधारित बेसलाइन की तुलना में काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Alzayat Saleh, Mostafa Rahimi Azghadi

प्रकाशित 2026-04-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alzayat Saleh, Mostafa Rahimi Azghadi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

बड़ी समस्या: "सतही भ्रम" (The Surface Illusion)

कल्पना कीजिए कि आप एक स्विमिंग पूल के तापमान को समझने की कोशिश कर रहे हैं, लेकिन आपको केवल पानी की सबसे ऊपरी परत को देखने की अनुमति है। आप सतह को धूप में तपते हुए देखते हैं, जिससे ऐसा लगता है जैसे वह कोई बहुत गर्म हॉट टब हो। आप मान लेते हैं कि नीचे का पानी भी उतना ही गर्म होगा।

लेकिन ऐसा नहीं है।

महासागर में, विशेष रूपकर कोरल रीफ (मूंगा चट्टानों) पर, सतह का पानी (जिसे सैटेलाइट द्वारा मापा जाता है) उससे कुछ मीटर नीचे के पानी की तुलना में 1 से 3 डिग्री सेल्सियस अधिक गर्म हो सकता है। कोरल अलग-अलग गहराइयों पर रहते हैं। यदि हम केवल सैटेलाइट डेटा को देखते हैं, तो हमें लगेगा कि गहरे कोरल भी गर्मी से झुलस रहे हैं, जबकि वास्तव में वे एक ठंडे और सुरक्षित "शरण स्थल" (refuge) में हो सकते हैं।

यह एक पूरे घर के तापमान का अंदाजा लगाने जैसा है जैसे कि धूप वाले दिन अटारी (attic) में थर्मामीटर रखकर। आपको लगेगा कि बेसमेंट में आग लगी है, लेकिन वास्तव में वहां का माहौल काफी आरामदायक है।

समाधान: "फिजिक्स डिटेक्टिव" (PINN)

शोधकर्ताओं ने एक स्मार्ट कंप्यूटर प्रोग्राम बनाया जिसे फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) कहा जाता है। इस PINN को एक डिटेक्टिव (जासूस) के रूप में सोचें जो दो प्रकार के सुरागों का उपयोग करके रहस्य सुलझाता है:

सैटेलाइट सुराग (सतह): यह जानता है कि हर दिन समुद्र की ऊपरी त्वचा कितनी गर्म होती है।
लॉगर सुराग (बिखरे हुए बिंदु): इसके पास कुछ बिखरे हुए तापमान सेंसर (लॉगर्स) हैं जिन्हें विशिष्ट गहराइयों पर छोड़ा गया है, जैसे कि एक गगनचुंबी इमारत के अलग-अलग मंजिलों पर खड़े कुछ लोग जो तापमान की रिपोर्ट दे रहे हों।

समस्या: ये लॉगर एक-दूसरे से बहुत दूर हैं। उनके बीच बड़े अंतराल हैं जहाँ हमें तापमान का पता नहीं है।

जादुई ट्रिक: केवल खाली जगहों में तापमान का अनुमान लगाने के बजाय (जो आमतौर पर विफल हो जाता है), PINN भौतिकी के नियमों (laws of physics) को एक नियम पुस्तिका के रूप में उपयोग करता है। यह जानता है कि गर्मी पानी के माध्यम से धीरे-धीरे चलती है और जैसे-जैसे गहराई बढ़ती है, सूरज की रोशनी कमजोर होती जाती है।

उपमा: कल्पना कीजिए कि आप कागज के एक टुकड़े पर कुछ बिंदुओं को जोड़ने के लिए एक चिकनी रेखा (smooth curve) खींचने की कोशिश कर रहे हैं।
- एक सांख्यिकीय अनुमान (statistical guess) एक टेढ़ी-मेढ़ी, अजीब रेखा खींच सकता है जो बिंदुओं से तो मिल जाती है लेकिन भौतिक रूप से अर्थहीन होती है।
- PINN एक स्केल (रूलर) की तरह है जिसे गुरुत्वाकर्षण और तरल गति विज्ञान (fluid dynamics) के नियमों का पालन करना ही होगा। यह एक चिकनी, वास्तविक रेखा खींचता है जो बिंदुओं को जोड़ती है और उन नियमों का पालन करती है कि गर्मी वास्तव में कैसे व्यवहार करती है।

यह कैसे काम करता है (द "रेसिपी")

एंकर (The Anchor): PINN बिल्कुल ऊपर (सतह) पर सैटेलाइट डेटा से "जुड़ा" होता है। इसे पता होता है, "गहराई 0 पर, तापमान वही होना चाहिए जो सैटेलाइट कहता है।"
सीखना (The Learning): इसके बाद यह अपने पास मौजूद कुछ गहरे सेंसरों को देखता है। यह पूछता है, "यहाँ कितना ठंडा है? गर्मी कितनी तेजी से गायब हो रही है?"
भविष्यवाणी (The Prediction): यह गहराई के हर एक मीटर के लिए खाली स्थानों को भर देता है, जिससे रीफ के तापमान की एक निरंतर 3D तस्वीर बन जाती है।

यह क्यों महत्वपूर्ण है: "डीप डाइव" के परिणाम

शोधकर्ताओं ने इसका परीक्षण ग्रेट बैरियर रीफ के चार अलग-अलग रीफों पर किया। उन्हें निम्नलिखित बातें पता चलीं:

पुराने तरीकों का पतन: जब उन्होंने अधिकांश गहरे सेंसरों को हटा दिया (डेटा को बहुत विरल बना दिया), तो पुराने कंप्यूटर तरीके (सांख्यिकीय अनुमान) पूरी तरह से विफल हो गए। वे गलत और अजीब तापमान बताने लगे।
PINN की सुपरपावर: केवल तीन सेंसरों के साथ भी, PINN सटीक रहा। इसने घबराहट नहीं दिखाई क्योंकि यह भौतिकी के "नियमों" पर भरोसा कर रहा था।
"हीट स्ट्रेस" मैप: उन्होंने "डिग्री हीटिंग डेज़" (गर्मी के तनाव का एक माप) की गणना की।
- सैटेलाइट व्यू: सतह से लेकर गहराई तक हर जगह उच्च तनाव दिखाता है।
- PINN व्यू: यह दिखाता है कि जैसे-जैसे आप गहराई में जाते हैं, तनाव कम होता जाता है। 10 मीटर की गहराई पर, तनाव शून्य हो सकता है, भले ही सतह उबल रही हो।

एक कमी: "स्मूदी" प्रभाव (The "Smoothie" Effect)

इसकी एक छोटी सी सीमा है। PINN औसत तापमान और गहराई के साथ ठंडक के रुझान (trend) को दिखाने में बहुत अच्छा है। हालाँकि, यह डेटा को "स्मूथ आउट" (चिकना/औसत बनाना) कर देता है।

उपमा: कल्पना कीजिए कि एक कोरल रीफ में अचानक, केवल एक घंटे के लिए अत्यधिक गर्मी का झटका लगता है।
- असली सेंसर इस उछाल को देखता है और कहता है, "वाह, यह खतरनाक था!"
- PINN औसत को देखता है और कहता है, "यह थोड़ा गर्म था, लेकिन कोई संकट नहीं था।"
क्यों? क्योंकि जिस सैटेलाइट डेटा का यह उपयोग करता है वह एक औसत (दैनिक) है, इसलिए PINN उन छोटे, खतरनाक उछालों को "देख" नहीं सकता है।
निष्कर्ष: PINN एक रूढ़िवादी (conservative) अनुमान है। यह हमें बताता है कि, "तनाव कम से कम इतना कम है।" यह बहुत ही खराब क्षणों को मिस कर सकता है, लेकिन यह बताने में उत्कृष्ट है कि गहरा पानी आम तौर पर एक सुरक्षित स्थान है।

निचोड़ (The Bottom Line)

यह शोध पत्र कोरल रीफ को बचाने का एक नया तरीका पेश करता है। सैटेलाइट तस्वीरों को कुछ सस्ते अंडरवॉटर सेंसरों और एक स्मार्ट "फिजिक्स डिटेक्टिव" के साथ जोड़कर, हम अंततः एक रीफ का 3D तापमान मानचित्र देख सकते हैं।

यह वैज्ञानिकों और प्रबंधकों को यह समझने में मदद करता है कि गहरा पानी एक लाइफबोट (जीवन रक्षक नाव) है। जबकि सतह कोरल के लिए बहुत गर्म हो सकती है, गहरे कोरल जीवित रह सकते हैं। यह हमारे रीफ संरक्षण के तरीके को बदल देता है, जिससे हमें उन "सुरक्षित क्षेत्रों" पर ध्यान केंद्रित करने में मदद मिलती है जिन्हें सैटेलाइट पहले अनदेखा कर देते थे।

संक्षेप में: हमने गहरे समुद्र के तापमान का केवल अनुमान लगाना बंद कर दिया और प्रकृति के नियमों का उपयोग करके इसकी गणना करना शुरू कर दिया, जिससे यह पता चला कि गहरा रीफ हमारी सोच से कहीं अधिक ठंडा और सुरक्षित है।

यह पेपर "डेप्थ-रिजोल्व्ड कोरल रीफ थर्मल फील्ड्स फ्रॉम सैटेलाइट SST एंड स्पार्स इन-सीटू लॉगर्स यूजिंग फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स" का एक विस्तृत तकनीकी सारांश है।

1. समस्या विवरण (Problem Statement)

ग्लोबल कोरल ब्लीचिंग मॉनिटरिंग मुख्य रूप से सैटेलाइट सी सरफेस टेम्परेचर (SST) उत्पादों (जैसे, NOAA कोरल रीफ वॉच) पर निर्भर करती है। हालांकि, ये उत्पाद केवल समुद्र की "स्किन" (सतह) के तापमान को मापते हैं। कोरल (मूंगा) एक ऊर्ध्वाधर सीमा (vertical range) में रहते हैं, जो उथले रीफ फ्लैट्स से लेकर 20 मीटर से अधिक की गहराई तक होती है, जहाँ थर्मल स्ट्रेस के दौरान तापमान सतह की तुलना में 1–3°C कम हो सकता है।

बायस (Bias): सतह के SST को सभी गहराइयों पर समान रूप से लागू करने से सबसरफेस (सतह के नीचे) थर्मल स्ट्रेस का व्यवस्थित अतिरंजित अनुमान (overestimation) होता है।
डेटा गैप (Data Gap): जबकि इन-सीटू तापमान लॉगर (जैसे, AIMS नेटवर्क) मौजूद हैं, वे केवल अलग-अलग गहराइयों पर विरल (sparse), बिंदु-आधारित माप प्रदान करते हैं। मानक इंटरपोलेशन विधियाँ (जैसे, गॉसियन प्रोसेस, इनवर्स डिस्टेंस वेटिंग) तब सटीक रूप से एक्सट्रपलेशन करने में विफल रहती हैं जब डेटा विरल हो या अनऑब्जर्वड गहराइयों पर भविष्यवाणी करनी हो, क्योंकि उनमें भौतिक बाधाओं (physical constraints) का अभाव होता है।
लक्ष्य: सैटेलाइट SST और विरल इन-सीटू लॉगर्स के फ्यूजन का उपयोग करके निरंतर, डेप्थ-रिजोल्व्ड थर्मल फील्ड्स का पुनर्निर्माण करना, जो ऊर्ध्वाधर थर्मल एटेन्यूएशन (तापमान में कमी) को सटीक रूप से कैप्चर कर सके।

2. कार्यप्रणाली: फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN)

लेखक एक PINN फ्रेमवर्क प्रस्तावित करते हैं जो न्यूरल नेटवर्क ट्रेनिंग प्रक्रिया में हीट ट्रांसफर के शासी भौतिकी (governing physics) को समाहित करता है।

A. शासी भौतिकी (Governing Physics)

मॉडल वन-डायमेंशनल वर्टिकल हीट इक्वेशन को हल करता है:
$\frac{\partial T}{\partial t} = \kappa \frac{\partial^2 T}{\partial z^2} + \frac{Q_{solar}(z, t)}{\rho c_p}$
जहाँ:

$T(z, t)$ गहराई $z$ और समय $t$ पर तापमान है।
$\kappa$ प्रभावी थर्मल डिफ्यूज़िविटी (सीखने योग्य/learnable) है।
$Q_{solar}$ बीयर के नियम (Beer's Law) से प्राप्त गहराई-घटता हुआ सौर तापन है, जो लाइट एटेन्यूएशन कोएफिशिएंट $K_d$ (सीखने योग्य) पर निर्भर है।
मॉडल यह मानता है कि रीफ-स्केल प्रोफाइल के लिए वर्टिकल मिक्सिंग, लैटरल एडवेक्शन (पार्श्व प्रवाह) पर हावी है।

B. नेटवर्क आर्किटेक्चर और बाधाएं (Network Architecture & Constraints)

हार्ड बाउंड्री कंडीशन: सैटेलाइट SST को सतह ( $z=0$ ) पर एक सटीक बाउंड्री कंडीशन के रूप में लागू किया जाता है। नेटवर्क आउटपुट को $T(z,t) = SST(t) + \frac{z}{z_{max}} T_{scale} f_{nn}(z,t)$ के रूप में संरचित किया गया है, जो यह सुनिश्चित करता है कि भविष्यवाणी सतह पर सैटेलाइट डेटा से सटीक रूप से मेल खाती है, चाहे नेटवर्क के वेट्स कुछ भी हों।
सीखने योग्य पैरामीटर्स (Learnable Parameters): नेटवर्क वेट्स के साथ-साथ प्रभावी थर्मल डिफ्यूज़िविटी ( $\kappa$ ) और लाइट एटेन्यूएशन कोएफिशिएंट ( $K_d$ ) को संयुक्त रूप से सीखता है। यह मॉडल को विशिष्ट रीफ स्थितियों (जैसे, लहरों की ऊर्जा, पानी की स्पष्टता) के अनुकूल होने की अनुमति देता है।
आर्किटेक्चर: डायर्नल (दैनिक) और एनुअल (वार्षिक) चक्रों को कैप्चर करने के लिए मल्टीप्लिकेटिव गेटिंग और फूरियर फीचर एनकोडिंग के साथ एक संशोधित मल्टीलेयर पर्सेप्ट्रॉन (MLP)।
लॉस फंक्शन: एक कंपोजिट लॉस निम्नलिखित को कम करता है:
1. डेटा लॉस: लॉगर अवलोकनों और भविष्यवाणियों के बीच MSE।
2. PDE लॉस: कोलोकेशन पॉइंट्स पर हीट इक्वेशन का रेसिड्यूल (भौतिक स्थिरता लागू करना)।
3. बाउंड्री लॉस: बॉटम डेप्थ पर न्यूमैन (जीरो-फ्लक्स) कंडीशन।
- करिकुलम लर्निंग (Curriculum Learning): प्रशिक्षण के दौरान PDE लॉस के वेट को धीरे-धीरे कम किया जाता है ताकि नेटवर्क पहले भौतिक संरचना को सीख सके और फिर विशिष्ट डेटा बिंदुओं के लिए फाइन-ट्यून कर सके।

C. प्रयोगात्मक डिजाइन (Experimental Design)

अध्ययन स्थल: चार ग्रेट बैरियर रीफ (GBR) साइट्स (डेविस, मिर्मिडन, रिब, केल्सो) जिनमें विभिन्न गहराई, शेल्फ पोजीशन और ऐतिहासिक ब्लीचिंग इवेंट्स शामिल हैं।
वैलिडेशन रणनीति: "होल्डआउट" प्रयोग जहाँ प्रशिक्षण के लिए एक गहराई को बाहर रखा जाता है और परीक्षण के लिए उपयोग किया जाता है।
स्पर्सिटी टेस्ट: डेटा की कमी के प्रभाव को देखने के लिए केवल 2-3 गहराइयों तक प्रशिक्षण डेटा को कम करने के प्रयोग।
बेसलाइन्स: सांख्यिकीय विधियों (गॉसियन प्रोसेस, IDW, नियरस्ट नेबर, रैंडम फॉरेस्ट), फिजिक्स-ओनली फाइनाइट डिफरेंस (FD) सॉल्वर और मानक सैटेलाइट-ओनली अप्रोच के विरुद्ध तुलना।

3. प्रमुख योगदान (Key Contributions)

नवल फ्रेमवर्क: एक PINN आर्किटेक्चर जो निरंतर ऊर्ध्वाधर तापमान प्रोफाइल को पुनर्गठित करने के लिए सैटेलाइट SST (सतह बाउंड्री) को विरल लॉगर्स के साथ जोड़ता है।
संयुक्त पैरामीटर लर्निंग: डेटा से प्रभावी थर्मल डिफ्यूज़िविटी ( $\kappa$ ) और लाइट एटेन्यूएशन कोएफिशिएंट ( $K_d$ ) को एक साथ अनुमानित करने की क्षमता, जो भौतिक निरंतरता की जांच प्रदान करती है।
स्पर्सिटी के प्रति मजबूती: यह प्रदर्शित किया गया कि PINN अत्यंत विरल डेटा (केवल 3 प्रशिक्षण गहराइयाँ) के साथ भी सटीक रहता है, जहाँ सांख्यिकीय बेसलाइन बुरी तरह विफल हो जाते हैं।
डेप्थ-रिजोल्व्ड स्ट्रेस मेट्रिक्स: डेप्थ-रिजोल्व्ड डिग्री हीटिंग डेज़ (DHD) प्रोफाइल का निर्माण, जो यह प्रकट करता है कि थर्मल स्ट्रेस गहराई के साथ काफी कम हो जाता है।

4. मुख्य परिणाम (Key Results)

A. पुनर्निर्माण सटीकता (Reconstruction Accuracy)

समग्र प्रदर्शन: PINN ने 30 होल्डआउट प्रयोगों में 0.25°C और 1.38°C के बीच RMSE प्राप्त किया।
स्पर्सिटी मजबूती:
- डेविस रीफ (9.1 मीटर होल्डआउट) में केवल 3 प्रशिक्षण गहराइयों के साथ, PINN ने 0.32°C का RMSE बनाए रखा।
- इसके विपरीत, सांख्यिकीय बेसलाइन्स (NN, IDW) समान स्थितियों में >1.8°C RMSE तक गिर गए।
- PINN ने 90% प्रयोगों में फिजिक्स-ओनली फाइनाइट डिफरेंस बेसलाइन को पछाड़ दिया, जिससे सिद्ध हुआ कि डेटा-ड्रिवन पैरामीटर अनुकूलन से फिक्स्ड-पैरामीटर भौतिक मॉडल की तुलना में अधिक मूल्य जुड़ता है।

B. थर्मल स्ट्रेस एटेन्यूएशन (DHD)

वर्टिकल ग्रेडिएंट: अध्ययन ने पुष्टि की कि थर्मल स्ट्रेस गहराई के साथ कम हो जाता है।
- उदाहरण (डेविस रीफ): सैटेलाइट DHD सभी गहराइयों पर 0.31 स्थिर था। PINN और लॉगर्स ने दिखाया कि DHD 10.7 मीटर तक शून्य हो जाता है, जिससे एक "डेप्थ रिफुजिया" (गहराई वाला सुरक्षित क्षेत्र) की पहचान हुई जो सैटेलाइट्स को दिखाई नहीं देता।
- उदाहरण (रिब रीफ): PINN के अनुसार DHD 1 मीटर पर 3.33 से घटकर 9 मीटर पर 0.14 हो गया, जबकि सैटेलाइट डेटा 3.08 पर स्थिर रहा।
व्यवस्थित सीमा (Systematic Limitation): PINN उथले/मध्यम गहराइयों पर एब्सोल्यूट DHD को कम आंकता (underestimate) है।
- कारण: PINN दैनिक सैटेलाइट SST से जुड़ा हुआ है, जिसमें अल्प-अवधि के थर्मल पीक्स (जो थ्रेशोल्ड उल्लंघन को बढ़ाते हैं) को कैप्चर करने के लिए सब-ऑवरली टेम्पोरल रेजोल्यूशन की कमी होती है।
- व्याख्या: PINN DHD मानों को रूढ़िवादी निचले स्तर (conservative lower bounds) के रूप में माना जाना चाहिए। हालांकि पूर्ण परिमाण कम आंका जा सकता है, लेकिन डेप्थ-स्ट्रेस प्रोफाइल का आकार (एटेन्यूएशन) विश्वसनीय है।

C. सीखे गए भौतिक पैरामीटर्स (Learned Physical Parameters)

थर्मल डिफ्यूज़िविटी ( $\kappa$ ): सीखे गए मान $0.6 \times 10^{-4}$ से $5.0 \times 10^{-4} \, m^2 s^{-1}$ के बीच थे, जो कोरल रीफ पर टर्बुलेंट मिक्सिंग के लिए साहित्य के अनुरूप हैं।
लाइट एटेन्यूशन ( $K_d$ ): $K_d$ के मान अलग-अलग रीफ के अनुसार भिन्न थे, जो पानी की स्पष्टता में अंतर को दर्शाते हैं (जैसे, ऑफशोर क्लियर वॉटर के लिए कम $K_d$ , टर्बिड मिड-शेल्फ रीफ के लिए उच्च $K_d$ )।

5. महत्व और निहितार्थ (Significance and Implications)

प्रबंधन प्रभाव: सैटेलाइट SST पर आधारित वर्तमान ब्लीचिंग अलर्ट गहराई में थर्मल स्ट्रेस को बढ़ा-चढ़ाकर दिखा सकते हैं, जिससे "रिफुजिया" (सुरक्षित क्षेत्रों) को गलत तरीके से पहचाना जा सकता है या रीफ को गलत प्राथमिकता दी जा सकती है। यह फ्रेमवर्क इन बायस को ठीक करने के लिए आवश्यक डेप्थ-रिजोल्व्ड डेटा प्रदान करता है।
इंफ्रास्ट्रक्चर दक्षता: इस पद्धति के लिए किसी नए हार्डवेयर की आवश्यकता नहीं है। यह मौजूदा सैटेलाइट डेटा और विरल लॉगर नेटवर्क (जैसे, AIMS) का उपयोग करता है, जो पॉइंट डेटा को 3D फील्ड में बदलने के लिए एक फिजिक्स-कंस्ट्रेंड कंप्यूटेशनल लेयर जोड़ता है।
स्केलेबिलिटी: एक रीफ के लिए PINN को प्रशिक्षित करने में उपभोक्ता GPU पर लगभग 4 मिनट लगते हैं। यह फ्रेमवर्क GBR के ~3,000 रीफ्स और संभावित रूप से वैश्विक स्तर पर स्केलेबल है, बशर्ते प्रति साइट 2-3 लॉगर डेप्थ उपलब्ध हों।
भविष्य की दिशाएं: लेखक DHD सटीकता में सुधार के लिए पीक-प्रिजर्विंग लॉस फंक्शन्स, 2D एक्सटेंशन (लैटरल ग्रेडिएंट्स के लिए), और न्यूनतम डेटा वाले रीफ पर लागू करने के लिए ट्रांसफर लर्निंग पर भविष्य के कार्य का सुझाव देते हैं।

निष्कर्ष (Conclusion)

यह पेपर प्रदर्शित करता है कि फिजिक्स-इन्फॉर्मड न्यूरल नेटवर्क प्रभावी रूप से सतह के सैटेलाइट अवलोकनों और विरल सबसरफेस मापों के बीच के अंतर को पाट सकते हैं। हीट ट्रांसफर के भौतिक नियमों को लागू करके, PINN डेप्थ-रिजोल्व्ड थर्मल फील्ड्स का पुनर्निर्माण करता है जो वर्टिकल थर्मल एटेन्यूएशन को प्रकट करते हैं, जिससे गर्म होते जलवायु में अधिक सटीक, त्रि-आयामी कोरल ब्लीचिंग मूल्यांकन के लिए एक महत्वपूर्ण उपकरण मिलता है।