Машинное обучение может более точно предсказывать океанические течения
Для изучения океанических течений ученые обычно выпускают буи с GPS-метками и регистрируют их скорость, чтобы реконструировать течения, которые их несут. Эти записанные данные также могут быть использованы для определения областей, в которых вода поднимается с поверхности или опускается под нее (явления, известные как "расхождения").
Благодаря точному прогнозированию течений и выявлению расхождений специалисты могут более точно прогнозировать погоду, измерять скорость передачи энергии в океане или оценивать распространение нефти после разлива.
Хотя этот метод способен делать прогнозы даже в тех случаях, когда данные скудны, он часто исходит из предположений, которые физически неточны, например, что широтные и долготные компоненты течения не связаны между собой. Например, эта модель предполагает, что дивергенция течения и его вихрь (вихревое движение воды) действуют в одинаковых масштабах по величине и длине - предположение, которое, как известно ученым-океанологам, не соответствует действительности.
Чтобы преодолеть эти ограничения, группа компьютерщиков и океанографов под руководством Массачусетского технологического института (MIT) недавно разработала новую модель, которая включает знания из гидродинамики, чтобы лучше отразить физику, структурирующую океанические течения.
Используя так называемое "разложение Гельмгольца", новый метод моделирует океанические течения, разбивая их на компонент вихревости. Это отражает вихревое движение воды, а также компонент дивергенции, который отражает опускание или подъем воды.
Хотя этот метод требует больших вычислительных затрат, его дополнительные расходы будут относительно небольшими. Кроме того, он поможет ученым сделать более точные оценки на основе данных буев, что позволит им эффективно отслеживать перемещение биомассы, углерода, пластика, питательных веществ и нефти в океане, а также лучше понимать и отслеживать влияние изменения климата на течения.
"Наш метод более адекватно и более точно отражает физические предположения. В данном случае мы уже знаем большую часть физики. Мы даем модели немного этой информации, чтобы она могла сосредоточиться на изучении важных для нас вещей, например, что такое течения вдали от буев, или что такое дивергенция и где она происходит", - объясняет старший автор Тамара Бродерик, доцент факультета компьютерных наук Массачусетского технологического института.
Оценив эту новую модель на синтетических и реальных данных с океанских буев в Мексиканском заливе, исследователи показали, что их метод был более точным в прогнозировании течений и определении расхождений, чем стандартный гауссовский процесс и другой подход машинного обучения, использующий нейронную сеть.
Например, при моделировании вихря, примыкающего к океаническому течению, новый метод правильно предсказал отсутствие расхождения, в то время как оба других метода предсказали расхождение с очень высокой степенью достоверности. С препринтом исследования можно ознакомиться здесь.
В будущих исследованиях ученые планируют включить в свою модель элемент времени (поскольку океанические течения могут меняться как в пространстве, так и во времени), а также лучше учесть, как шум, например, производимый ветром, может влиять на данные.
"Мы надеемся взять это поле скоростей, наблюдаемое с помощью буев, и сказать, какова фактическая дивергенция и фактическая вихревая сила, а также спрогнозировать их вдали от этих буев, и мы думаем, что наша новая методика будет полезна для этого", - заключил Бродерик.
