Точно предсказывая течения и выявляя расхождения, ученые могут более точно прогнозировать погоду, приблизительно определять, как нефть будет распространяться после разлива, или измерять передачу энергии в океане. Согласно новому исследованию, новая модель, которая включает в себя машинное обучение, делает более точные прогнозы, чем обычные модели.

Многопрофильная исследовательская группа, включающая специалистов по информатике из Массачусетского технологического института и океанографов, обнаружила, что стандартная статистическая модель, обычно используемая для обработки данных с буев, может с трудом точно реконструировать течения или идентифицировать расхождения, поскольку она делает нереалистичные предположения о поведении воды.

Исследователи разработали новую модель, которая включает в себя знания из гидродинамики, чтобы лучше отражать физику, действующую в океанских течениях. Они показывают, что их метод, который требует лишь небольших дополнительных вычислительных затрат, более точен при прогнозировании течений и выявлении расхождений, чем традиционная модель.

Эта новая модель могла бы помочь океанографам делать более точные оценки на основе данных с буев, что позволило бы им более эффективно отслеживать транспортировку биомассы (такой как водоросли саргассум), углерода, пластмасс, нефти и питательных веществ в океане. Эта информация также важна для понимания и отслеживания изменения климата.

"Наш метод более адекватно и точно отражает физические допущения. В данном случае мы уже многое знаем о физике. Мы даем модели немного этой информации, чтобы она могла сосредоточиться на изучении важных для нас вещей, например, каковы течения вдали от буев, или что это за расхождение и где оно происходит?" говорит старший автор Тамара Бродерик, доцент кафедры электротехники и компьютерных наук Массачусетского технологического института (EECS) и сотрудник Лаборатории информационных систем и принятия решений и Института данных, систем и общества.

Соавторами Бродерика являются ведущий автор Ренато Берлингиери, аспирант кафедры электротехники и компьютерных наук; Брайан Л. Трипп, постдок Колумбийского университета; Дэвид Р. Берт и Райан Джордано, постдоки Массачусетского технологического института; Каушик Сринивасан, помощник исследователя в области наук об атмосфере и океане в Калифорнийском университете в Лос-Анджелесе; Тамай Озгекмен, профессор кафедры океанологии Университета Майами; и Цзюньфэй Ся, аспирант Университета Майами. Исследование будет представлено на Международной конференции по машинному обучению.

Погружение в данные

Океанографы используют данные о скорости движения буев для прогнозирования океанских течений и выявления "расхождений", где вода поднимается на поверхность или опускается глубже.

Чтобы оценить течения и найти расхождения, океанографы использовали метод машинного обучения, известный как гауссовский процесс, который позволяет делать прогнозы даже при скудных данных. Чтобы хорошо работать в этом случае, гауссовский процесс должен делать предположения о данных для генерации прогноза.

Стандартный способ применения гауссовского процесса к данным об океанах предполагает, что компоненты широты и долготы течения не связаны между собой. Но это предположение физически неточно. Например, эта существующая модель подразумевает, что расходимость течения и его завихренность (вихревое движение жидкости) действуют в масштабах одинаковой величины и длины. Ученые-океанологи знают, что это неправда, говорит Бродерик. Предыдущая модель также предполагает, что система отсчета имеет значение, что означает, что жидкость будет вести себя по-разному в направлении широты и долготы.

"Мы думали, что могли бы решить эти проблемы с помощью модели, которая учитывает физику", - говорит она.

Они построили новую модель, которая использует так называемое разложение Гельмгольца для точного представления принципов гидродинамики. Этот метод моделирует океанское течение, разбивая его на компонент завихренности (который фиксирует вращательное движение) и компонент дивергенции (который фиксирует подъем или опускание воды).

Таким образом, они дают модели некоторые базовые знания по физике, которые она использует для получения более точных прогнозов.

Эта новая модель использует те же данные, что и старая модель. И хотя их метод может быть более трудоемким с точки зрения вычислений, исследователи показывают, что дополнительные затраты относительно невелики.

Жизнерадостная производительность

Они оценили новую модель, используя синтетические и реальные данные об океанских буях. Поскольку синтетические данные были сфабрикованы исследователями, они могли сравнить предсказания модели с фактическими течениями и расхождениями. Но моделирование предполагает допущения, которые могут не отражать реальную жизнь, поэтому исследователи также протестировали свою модель, используя данные, полученные с реальных буев, выпущенных в Мексиканском заливе.

В каждом случае их метод продемонстрировал превосходную производительность для обеих задач, прогнозирования течений и выявления расхождений, по сравнению со стандартным гауссовским процессом и другим подходом машинного обучения, использующим нейронную сеть. Например, в одном моделировании, которое включало вихрь, примыкающий к океанскому течению, новый метод правильно предсказал отсутствие расхождения, в то время как предыдущий метод гауссовского процесса и метод нейронной сети предсказывали расхождение с очень высокой степенью достоверности.

Бродерик добавляет, что этот метод также хорош для идентификации вихрей по небольшому набору буев.

Теперь, когда они продемонстрировали эффективность использования декомпозиции Гельмгольца, исследователи хотят включить в свою модель элемент времени, поскольку токи могут изменяться как во времени, так и в пространстве. Кроме того, они хотят лучше уловить, как шум влияет на данные, например, ветер, который иногда влияет на скорость движения буя. Отделение этого шума от данных могло бы сделать их подход более точным.

"Мы надеемся взять это шумное поле скоростей, наблюдаемое с помощью буев, а затем сказать, каково фактическое расхождение и фактическая завихренность, и предсказать, исходя из этих буев, и мы думаем, что наша новая методика будет полезна для этого", - говорит она.

Это исследование частично поддерживается Управлением военно-морских исследований, карьерной премией Национального научного фонда (NSF) и Школой морских, атмосферных наук и наук о Земле Розенштиля при Университете Майами.