Un satélite ve temperatura. ¿Puede ver las corrientes del océano?

Un satélite ve temperatura. ¿Puede ver las corrientes del océano?#

Las corrientes submesoscale (1–10 km) mueven calor, nutrientes y CO₂ entre la superficie y las profundidades del océano. El problema: son demasiado finas para la altimetría satelital, y resolverlas con modelos globales cuesta millones de horas de cómputo. Un equipo de Scripps entrenó una red neuronal — GOFLOW — que aprende a inferir el campo de velocidad superficial a partir de tres imágenes consecutivas de temperatura desde satélites geostacionarios.

El hallazgo: Con tres snapshots térmicos separados por una hora, GOFLOW reconstruye velocidades (u, v) con correlación Pearson r ≈ 0,97 contra la simulación de referencia LLC4320, y preserva la asimetría positiva de la vorticidad — el hallmark del régimen submesoscale — en 41 snapshots del test set del Gulf Stream.

Gráfica clave#

Comparación lado a lado: SST gradient, vorticidad LLC4320 (verdad), vorticidad GOFLOW (predicción)

Reproducir#

Abrir en Colab

O localmente:

pip install pandas matplotlib numpy scipy
jupyter execute notebook.ipynb

Datos#

CSVs agregados en el servidor desde el dataset Zenodo (113 MB de NumPy arrays → 1,9 MB de CSVs):

  • datos/estadisticas_campos.csv — stats globales (media, std, skewness, percentiles) para vorticidad, divergencia y deformación en LLC4320 (verdad) vs GOFLOW (predicción). 6 filas.

  • datos/pdf_campos.csv — PDFs con 80 bins por variable para comparar distribuciones. 240 filas.

  • datos/correlacion_por_snapshot.csv — Pearson r y RMSE de GOFLOW vs LLC4320 para 5 variables (u, v, ζ/f, δ/f, α/f) en cada uno de los 41 snapshots del test set. 205 filas.

  • datos/snapshot_representativo.csv — snapshot t = 40 (la correlación de vorticidad más alta, r = 0,78) downsampled a 128×128 para visualización. 16.384 filas.

Contenido