Da bi proučavali okeanske struje, naučnici puštaju plutače označene GPS-om u okeanu i beleže njihove brzine kako bi rekonstruisali struje koje ih transportuju. Ovi podaci o plutači se takođe koriste za identifikaciju „divergencija“, a to su oblasti u kojima se voda uzdiže ispod površine ili tone ispod nje.
Preciznim predviđanjem struja i preciziranjem odstupanja, naučnici mogu preciznije predvideti vremenske prilike, približno kako će se nafta širiti nakon izlivanja ili mere prenos energije u okeanu. Novi model koji uključuje mašinsko učenje daje preciznija predviđanja od konvencionalnih modela, izvještava nova studija.
Multidisciplinarni istraživački tim koji uključuje kompjuterske naučnike sa MIT-a i okeanografe otkrio je da standardni statistički model koji se obično koristi na podacima o plutači može imati problema da precizno rekonstruiše struje ili identifikuje divergencije jer daje nerealne pretpostavke o ponašanju vode.
Istraživači su razvili novi model koji uključuje znanje iz dinamike fluida kako bi bolje odražavao fiziku na delu u okeanskim strujama. Oni pokazuju da je njihova metoda, koja zahteva samo malu količinu dodatnih računskih troškova, tačnija u predviđanju struja i identifikaciji divergencija od tradicionalnog modela.
Ovaj novi model bi mogao da pomogne okeanografima da naprave preciznije procene na osnovu podataka o plutači, što bi im omogućilo da efikasnije prate transport biomase (kao što su alge Sargassum), ugljenika, plastike, nafte i hranljivih materija u okeanu. Ove informacije su takođe važne za razumevanje i praćenje klimatskih promena.
„Naš metod prikladnije i tačnije obuhvata fizičke pretpostavke. U ovom slučaju, mi već znamo dosta fizike. Dajemo modelu malo tih informacija kako bi se mogao fokusirati na učenje stvari koje su nam važne , na primer koje su struje udaljene od bova, ili kakva je ovo divergencija i gde se dešava?“ kaže stariji autor Tamara Broderick, vanredni profesor na MIT-ovom odseku za elektrotehniku i računarstvo (EECS) i član Laboratorije za informacione sisteme i sisteme odlučivanja i Instituta za podatke, sisteme i društvo.
Među Broderikovim koautorima su glavni autor Renato Berlinghieri, diplomirani student elektrotehnike i računarstva; Brian L. Trippe, postdoktor na Univerzitetu Kolumbija; David R. Burt i Rian Giordano, postdoktori MIT-a; Kaushik Srinivasan, pomoćnik istraživača za atmosferske i okeanske nauke na Kalifornijskom univerzitetu u Los Anđelesu; Tamai Ozgokmen, profesor na Odseku za okeanske nauke na Univerzitetu u Majamiju; i Junfei Ksia, diplomirani student na Univerzitetu u Majamiju. Istraživanje će biti predstavljeno na Međunarodnoj konferenciji o mašinskom učenju i dostupno je kao pre-print na arKsiv serveru.
Okeanografi koriste podatke o brzini plutače da predvide okeanske struje i identifikuju „divergencije“ gde voda izlazi na površinu ili tone dublje.
Da bi procenili struje i pronašli divergencije, okeanografi su koristili tehniku mašinskog učenja poznatu kao Gausov proces, koji može da predviđa predviđanja čak i kada su podaci oskudni. Da bi dobro funkcionisao u ovom slučaju, Gausov proces mora da napravi pretpostavke o podacima da bi generisao predviđanje.
Standardni način primene Gausovog procesa na podatke o okeanima pretpostavlja da komponente struje i geografske širine nisu povezane. Ali ova pretpostavka nije fizički tačna. Na primer, ovaj postojeći model implicira da divergencija struje i njena vrtložnost (vrtložno kretanje tečnosti) funkcionišu na istoj skali veličine i dužine. Naučnici o okeanu znaju da to nije istina, kaže Broderik. Prethodni model takođe pretpostavlja referentni okvir, što znači da bi se fluid ponašao drugačije u geografskoj širini u odnosu na smer geografske dužine.
„Mislili smo da bismo mogli da rešimo ove probleme sa modelom koji uključuje fiziku“, kaže ona.
Izgradili su novi model koji koristi ono što je poznato kao Helmholcova dekompozicija da tačno predstavi principe dinamike fluida. Ovaj metod modelira okeansku struju tako što je razlaže na komponentu vrtloženja (koja hvata vrtložno kretanje) i komponentu divergencije (koja hvata vodu koja se diže ili tone).
Na ovaj način daju modelu neka osnovna fizička znanja koja on koristi za tačnija predviđanja.
Ovaj novi model koristi iste podatke kao i stari model. I dok njihova metoda može biti računarski intenzivnija, istraživači pokazuju da je dodatni trošak relativno mali.
Oni su procenili novi model koristeći sintetičke i stvarne podatke o okeanskoj bovi. Pošto su sintetičke podatke izmislili istraživači, mogli su da uporede predviđanja modela sa strujama i divergencijama prizemne istine. Ali simulacija uključuje pretpostavke koje možda ne odražavaju stvarni život, pa su istraživači takođe testirali svoj model koristeći podatke koje su uhvatile prave bove puštene u Meksički zaliv.
U svakom slučaju, njihov metod je pokazao superiorne performanse za oba zadatka, predviđanje struja i identifikovanje divergencija, u poređenju sa standardnim Gausovim procesom i drugim pristupom mašinskog učenja koji je koristio neuronsku mrežu. Na primer, u jednoj simulaciji koja je uključivala vrtlog u blizini okeanske struje, nova metoda je tačno predvidela da nema divergencije, dok su prethodni metod Gausovog procesa i metoda neuronske mreže predvideli divergenciju sa veoma visokim poverenjem.
Tehnika je takođe dobra u identifikaciji vrtloga iz malog skupa plutača, dodaje Broderik.
Sada kada su pokazali efikasnost korišćenja Helmholcove dekompozicije, istraživači žele da ugrade vremenski element u svoj model, pošto struje mogu varirati tokom vremena, kao i prostora. Pored toga, žele bolje da shvate kako buka utiče na podatke, kao što su vetrovi koji ponekad utiču na brzinu plutače. Odvajanje te buke od podataka moglo bi učiniti njihov pristup preciznijim.
„Nadamo se da ćemo uzeti ovo bučno posmatrano polje brzina sa bova, a zatim reći šta je stvarna divergencija i stvarni vrtlog, i predvideti dalje od tih bova, i mislimo da će naša nova tehnika biti od pomoći za to“, ona kaže.
„Autori pametno integrišu poznata ponašanja od dinamike fluida do modeliranja okeanskih struja u fleksibilnom modelu“, kaže Masimilijano Ruso, saradnik biostatističara u Brigham i ženskoj bolnici i instruktor na medicinskoj školi Harvard, koji nije bio uključen u ovaj rad. „Rezultirajući pristup zadržava fleksibilnost za modeliranje nelinearnosti u strujama, ali takođe može okarakterisati fenomene kao što su vrtlozi i povezane struje koje bi se primetile samo ako je dinamička struktura fluida integrisana u model. Ovo je odličan primer gde je fleksibilan model može biti značajno poboljšan uz dobro promišljenu i naučno utemeljenu specifikaciju.“
