Новая модель с использованием машинного обучения улучшает прогнозы океанских течений

Массачусетский Институт Технологий

Подписываясь, вы соглашаетесь с нашими Условиями использования и политикой. Вы можете отказаться от подписки в любое время.

Модель, сочетающая машинное обучение, была построена в недавнем исследовании разнообразной исследовательской группы, в том числе ученых-компьютерщиков из Массачусетского технологического института и океанографов, для более точного прогнозирования океанских течений и выявления расхождений.

Исследователи обнаружили, что из-за ошибочных предположений о поведении воды традиционная статистическая модель, часто применяемая для анализа данных с буев, не дает точных прогнозов. Новая модель предлагает более реалистичное изображение физики океанских течений, объединяя знания из гидродинамики.

Необходимо выявить расхождения, а прогнозы океанских течений должны быть точными, чтобы реагировать на разливы нефти, прогнозировать погоду и понимать, как энергия передается в океане.

Обновленная модель может сделать возможным более точный мониторинг транспортировки биомассы, рассеивания углерода, распределения пластика, движения нефти и потока питательных веществ в океане, что может значительно улучшить оценки, полученные на основе данных с буев. Кроме того, эти данные необходимы для понимания и мониторинга изменения климата.

Исследователи обнаружили, что были сделаны неправильные предположения относительно взаимосвязи между широтными и долготными компонентами течения с использованием обычного гауссова процесса — метода машинного обучения, используемого для прогнозирования океанских течений и выявления расхождений.

Существующая модель использовала ложное предположение о том, что завихренность и дивергенция течения происходят на одних и тех же масштабах длины и величины. Новая модель, однако, включает в себя разложение Гельмгольца, которое делит океанское течение на компоненты завихренности и дивергенции, точно отражая законы гидродинамики.

Используя данные как синтетических, так и реальных океанских буев, исследователи оценили новую модель. По сравнению с традиционным гауссовским процессом и другим методом машинного обучения с использованием нейронной сети новая модель лучше справляется с прогнозированием течений и распознаванием расхождений по сравнению с наземными ветрами и дивергенциями. Исследователи также обнаружили, что с помощью новой техники небольшую группу буев можно использовать для успешной идентификации вихрей.

В будущем исследователи планируют добавить в свою модель временной компонент, чтобы учитывать временные колебания океанских течений. Чтобы повысить точность модели, они также намерены улучшить ее способность различать данные и шум, например влияние ветра.

Исследователи намерены расширить возможности модели по прогнозированию течений и расхождений вдали от буев, что в конечном итоге улучшит их понимание динамики океана.

Полевые специалисты высоко оценили новый метод исследователей, который включил в адаптируемую модель хорошо известное поведение гидродинамики. Младший специалист по биостатистике Бригамской женской больницы Массимилиано Руссо аплодирует исследованию за его научно обоснованную спецификацию и способность повысить адаптируемость и точность существующего моделирования.

Финансирование этого исследования предоставили Школа морских, атмосферных и наук о Земле Розенстиля при Университете Майами, Управление военно-морских исследований и премия NSF CAREER Award.

Результаты этого исследования, подчеркивающие потенциальное влияние новой модели на океанографические исследования и приложения, будут представлены на Международной конференции по машинному обучению.

Аннотация исследования:

Океанографы заинтересованы в прогнозировании океанских течений и выявлении расхождений в векторном поле течений на основе редких наблюдений за скоростями буев. Поскольку мы ожидаем, что текущая динамика будет гладкой, но сильно нелинейной, гауссовские процессы (ГП) предлагают привлекательную модель. Но мы показываем, что применение GP со стандартным стационарным ядром непосредственно к данным с буев может привести к проблемам как с текущим прогнозом, так и с выявлением расхождений – из-за некоторых физически нереалистичных предварительных предположений. Чтобы лучше отразить известные физические свойства токов, мы предлагаем вместо этого положить стандартное стационарное ядро ​​на компоненты векторного поля с дивергенцией и без ротора, полученные путем разложения Гельмгольца. Мы показываем, что, поскольку это разложение относится к исходному векторному полю только через смешанные частные производные, мы все равно можем выполнить вывод с учетом исходных данных, затратив лишь небольшое постоянное кратное дополнительных вычислительных затрат. Мы иллюстрируем преимущества нашего метода на синтетических и реальных данных об океане.