Novo modelo usando aprendizado de máquina melhora previsões de correntes oceânicas

Instituto de Tecnologia de Massachusetts

Ao assinar, você concorda com nossos Termos de Uso e Políticas. Você pode cancelar a assinatura a qualquer momento.

Um modelo que combina aprendizado de máquina foi construído em um estudo recente de uma equipe de pesquisa diversificada, incluindo cientistas da computação do MIT e oceanógrafos, para prever com mais precisão as correntes oceânicas e identificar divergências.

Os pesquisadores descobriram que, devido a suposições errôneas sobre o comportamento da água, o modelo estatístico convencional frequentemente aplicado aos dados de bóias luta para produzir previsões precisas. O novo modelo oferece uma representação mais realista da física em jogo nas correntes oceânicas, combinando o conhecimento da dinâmica dos fluidos.

As divergências devem ser identificadas e as previsões das correntes oceânicas devem ser precisas para responder a derramamentos de óleo, prever o clima e compreender como a energia é transferida no oceano.

O modelo atualizado pode possibilitar um monitoramento mais preciso do transporte de biomassa, dispersão de carbono, distribuição de plásticos, movimentação de óleo e fluxo de nutrientes no oceano, o que poderia melhorar significativamente as estimativas extraídas dos dados das bóias. Além disso, esses dados são essenciais para compreender e monitorar as mudanças climáticas.

Os pesquisadores descobriram que foram feitas suposições incorretas em relação à relação entre os componentes de latitude e longitude da corrente usando o processo gaussiano convencional, um método de aprendizado de máquina usado para prever correntes oceânicas e identificar divergências.

O modelo existente usava a falsa suposição de que a vorticidade e a divergência de uma corrente ocorrem nas mesmas escalas de comprimento e magnitude. O novo modelo, no entanto, inclui uma decomposição de Helmholtz, que divide a corrente oceânica em componentes de vorticidade e divergência, representando precisamente as leis da dinâmica dos fluidos.

Utilizando dados de bóias oceânicas sintéticas e reais, os pesquisadores avaliaram o novo modelo. Comparado ao processo gaussiano convencional e outro método de aprendizado de máquina usando uma rede neural, o novo modelo teve melhor desempenho na previsão de correntes e no reconhecimento de divergências quando comparado com ventos e divergências reais. Os pesquisadores também descobriram que, usando a nova técnica, um pequeno grupo de bóias pode ser usado para identificar vórtices com sucesso.

Os pesquisadores planejam adicionar um componente de tempo ao seu modelo no futuro para explicar as flutuações temporais nas correntes oceânicas. Para aumentar a precisão do modelo, eles também pretendem melhorar sua capacidade de distinguir entre dados e ruído, como influências do vento.

Os pesquisadores pretendem aumentar as capacidades do modelo para prever correntes e divergências longe das bóias, melhorando sua compreensão da dinâmica oceânica.

Especialistas de campo elogiaram o novo método dos pesquisadores, que incluiu comportamentos de dinâmica de fluidos bem conhecidos em um modelo adaptável. O bioestatístico associado do Hospital Brigham and Women's Massimiliano Russo aplaude o estudo por sua especificação cientificamente sólida e capacidade de aumentar a adaptabilidade e precisão da modelagem existente.

A Escola Rosenstiel de Ciências Marinhas, Atmosféricas e da Terra da Universidade de Miami, o Escritório de Pesquisa Naval e um prêmio NSF CAREER forneceram financiamento para este estudo.

Os resultados deste estudo, que destacam a influência potencial do novo modelo em pesquisas e aplicações oceanográficas, serão apresentados na Conferência Internacional sobre Aprendizado de Máquina.

Resumo do estudo:

Os oceanógrafos estão interessados ​​em prever correntes oceânicas e identificar divergências em um campo vetorial de corrente com base em observações esparsas de velocidades de boias. Como esperamos que a dinâmica atual seja suave, mas altamente não linear, os processos Gaussianos (GPs) oferecem um modelo atraente. Mas mostramos que a aplicação de um GP com um kernel estacionário padrão diretamente para dados de bóias pode ter dificuldades tanto na previsão atual quanto na identificação de divergências - devido a algumas suposições anteriores fisicamente irrealistas. Para refletir melhor as propriedades físicas conhecidas das correntes, propomos, em vez disso, colocar um kernel estacionário padrão na divergência e nos componentes livres de rotações de um campo vetorial obtido por meio de uma decomposição de Helmholtz. Mostramos que, como essa decomposição se relaciona ao campo vetorial original apenas por meio de derivadas parciais mistas, ainda podemos realizar inferências a partir dos dados originais com apenas um pequeno múltiplo constante de despesa computacional adicional. Ilustramos os benefícios de nosso método em dados oceânicos sintéticos e reais.