Emprego de técnicas de aprendizado de máquina para o estudo da variabilidade do transporte meridional de volume, calor e sal na linha SAMBA (34,5S)

• Processo: 25/03785-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2025
• Data de Término da vigência: 30 de abril de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Oceanografia - Oceanografia Física
• Pesquisador responsável: Edmo José Dias Campos
• Beneficiário: Arthur Horta Sandonato
• Instituição Sede: Instituto Oceanográfico (IO). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 24/09961-8 - Variabilidade dos Transportes pelas Águas Profundas no Atlântico Sul, AP.R
• Assunto(s): Aprendizado computacional Transporte de calor Circulação oceânica
• Palavra(s)-Chave do Pesquisador: Amoc | Aprendizado de Máquina | transporte de calor | Circulação Oceânica

Resumo

A Célula de Revolvimento Meridional do Atlântico (AMOC) desempenha um papel fundamental na redistribuição de calor, sal e massa no oceano, influenciando o clima global. Uma das formas de monitorar sua variabilidade é por meio de perfis de temperatura coletados com XBTs (Expendable Bathythermographs) durante cruzeiros transatlânticos com navios de oportunidade. No entanto, a ausência de medições simultâneas de salinidade limita a estimativa dos transportes meridionais associados à AMOC. Neste projeto, exploraremos técnicas de aprendizado de máquina para estimar perfis de salinidade a partir de perfis de temperatura coletados por XBTs. Diversos métodos serão testados e avaliados quanto à sua capacidade de reconstrução dos perfis de salinidade. Combinando essas estimativas, calcularemos os transportes meridionais de volume, calor e sal integrados ao longo da bacia, com foco no ramo superior da AMOC. Os resultados obtidos serão comparados com transportes estimados a partir de dados de CPIES (Current and Pressure Inverted Echo Sounders) da linha SAMBA (South Atlantic Meridional Overturning Circulation Basin-wide Array), localizada em 34,5°S, além de saídas de modelos numéricos. Essa comparação permitirá avaliar a representatividade das estimativas baseadas em aprendizado de máquina. A análise incluirá as variabilidades interanual e interdecadal dos transportes meridionais. Este estudo contribuirá para o aprimoramento das estimativas observacionais da AMOC, proporcionando um diagnóstico mais detalhado sobre sua variabilidade e seu papel na modulação do clima global.