بر اساس بیانیه این وزارتخانه، موفقیت این مدل مبتنی بر توانایی هوش مصنوعی (AI) برای یادگیری رابطه بین الگوهای ISMR و الگوهای ترموکلاین گرمسیری از 150 سال شبیهسازی توسط 45 مدل آب و هوای فیزیکی و انتقال این یادگیری به واقعی بوده است. مشاهدات بین 1871 و 1974.
با پایهای جدید کشفشده پیشبینیپذیری ISMR طولانی مدت، Devabrat Sharma (IASST)، Santu Das (IASST)، Subodh K. Saha (IITM) و BN Goswami (دانشگاه کاتن) توانستند پیشبینی 18 ماهه پیشبینی کنند. ISMR بین سالهای 1980 تا 2011 با مهارت واقعی 0.65 با استفاده از مدل پیشبینی ISMR مبتنی بر یادگیری ماشین.
تیم متشکل از IASST، مؤسسه هواشناسی گرمسیری هند (IITM)، پونا، و دانشگاه کاتن، گواهاتی، یک الگوریتم کشف پیشبینیکننده (PDA) ابداع کردند که در هر ماه پیشبینیکننده با پیشبینی عمق ترموکلاین اقیانوس (D20) در کل پیشبینی میکند. کمربند استوایی بین 1871 و 2010 بر روی نقشه همبستگی بین ISMR و D20 در همان دوره.
دانشمندان مؤسسه مطالعات پیشرفته در علم و فناوری (IASST)، گواهاتی، مؤسسه مستقل دپارتمان علم و فناوری (DST)، همراه با همکارانشان دریافتند که دمای سطح دریا (SST) که به طور گسترده استفاده می شود برای محاسبه ناکافی است. پیش بینی طولانی مدت ISMR آنها دریافتند به این دلیل است که مهارت بالقوه ISMR برآورد شده توسط الگوریتم کشف پیشبینیکننده (PDA) با استفاده از پیشبینیکنندههای مبتنی بر SST در تمام ماههای پیشبینی کم بود.
به گفته وزارت علوم و فناوری، الگوریتمی به نام الگوریتم کشف پیشبینیکننده (PDA) که با استفاده از یک متغیر منفرد مرتبط با اقیانوس ساخته شده است، میتواند پیشبینی ماهرانه ISMR را در زمان مناسب برای ایجاد برنامههای کشاورزی و سایر برنامههای اقتصادی موثر برای کشور تسهیل کند.
الگوریتم جدید نشان می دهد که مهارت بالقوه ISMR حداکثر (0.87، بالاترین 1.0)، 18 ماه قبل از فصل ISMR است. در هر ماه پیش بینی شده، قابل پیش بینی بودن تغییرپذیری سالانه ISMR به میزان نظم در متغیر سالانه محرک های آن بستگی دارد.
از آنجایی که مهارت بالقوه ISMR در سرنخ 18 ماهه 0.87 است، هنوز دامنه قابل توجهی برای بهبود مدل وجود دارد.
الگوریتم جدیدی که توسط هوش مصنوعی طراحی شده است می تواند به افزایش قابلیت پیش بینی موسمی تابستانی هند (ISMR)، 18 ماه قبل از فصل کمک کند.