Машинне навчання створює хвилі: кращий спосіб вивчення океанських течій

Нова модель машинного навчання робить точніші прогнози щодо океанських течій, що може допомогти у відстеженні забруднення пластиком і розливів нафти, а також допоможе в пошуку та порятунку. Щоб досліджувати океанські течії, вчені випускають в океан буї з мітками GPS і записують їхні швидкості, щоб реконструювати течії, які їх переносять. Ці дані буїв також використовуються для виявлення «розбіжностей», які є областями, де вода підійматися з-під поверхні або занурюється під неї.

Завдяки точному прогнозуванню течій і визначаючи розбіжності, вчені можуть точніше передбачити погоду, приблизно визначити, як нафта поширюватиметься після розливу, або виміряти передачу енергії в океані. Згідно з новим дослідженням, нова модель, яка включає машинне навчання, робить більш точні прогнози, ніж звичайні моделі.

Багатодисциплінарна дослідницька група, до складу якої входять комп’ютерники з Массачусетського технологічного інституту та океанографи, виявила, що стандартна статистична модель, яка зазвичай використовується для даних буїв, може важко точно реконструювати течії або ідентифікувати розбіжності, оскільки вона робить нереалістичні припущення щодо поведінки води.

Дослідники розробили нову модель, яка включає знання з динаміки рідини для кращого відображення фізики, що діє в океанських течіях. Вони показують, що їхній метод, який вимагає лише невеликої кількості додаткових обчислювальних витрат, точніший у прогнозуванні струмів і виявленні розбіжностей, ніж традиційна модель.

Ця нова модель може допомогти океанографам робити більш точні оцінки на основі даних буїв, що дозволить їм більш ефективно контролювати транспортування біомаси (такої як саргасові водорості), вуглецю, пластику, нафти та поживних речовин в океані. Ця інформація також важлива для розуміння та відстеження зміни клімату.

«Наш метод фіксує фізичні припущення точніше й точніше. У цьому випадку ми вже знаємо багато фізики. Ми надаємо моделі трохи цієї інформації, щоб вона могла зосередитися на вивченні важливих для нас речей, наприклад, які течії від буїв, або що це за розбіжність і де вона відбувається?» — каже старший автор Тамара Бродерік, доцент кафедри електротехніки та комп’ютерних наук Массачусетського технологічного інституту (EECS) і член Лабораторії інформаційних систем і систем прийняття рішень та Інституту даних, систем і суспільства.

Океанографи використовують дані про швидкість буя, щоб передбачити океанські течії та виявити «розбіжності», де вода піднімається на поверхню або занурюється глибше.

Щоб оцінити течії та виявити розбіжності, океанографи використали техніку машинного навчання, відому як процес Гаусса, яка може робити прогнози, навіть якщо даних мало. Щоб добре працювати в цьому випадку, гаусівський процес повинен зробити припущення щодо даних для створення прогнозу.

Стандартний спосіб застосування процесу Гауса до даних океанів передбачає, що компоненти широти та довготи течії не пов’язані. Але це припущення не є фізично точним. Наприклад, ця існуюча модель передбачає, що розбіжність струму та його завихреність (вихровий рух рідини) працюють на однакових масштабах величини та довжини. Океанологи знають, що це неправда, каже Бродерік. Попередня модель також припускає, що система відліку має значення, що означає, що рідина буде поводитися по-різному в напрямку широти та довготи.

«Ми думали, що зможемо вирішити ці проблеми за допомогою моделі, яка включає фізику», — каже вона.

Вони побудували нову модель, яка використовує так званий розклад Гельмгольца для точного представлення принципів динаміки рідини. Цей метод моделює океанську течію, розбиваючи її на компонент завихрення (який фіксує вихровий рух) і компонент дивергенції (який фіксує підйом або опускання води). Таким чином вони дають моделі базові знання фізики, які вона використовує для більш точних прогнозів. Ця нова модель використовує ті самі дані, що й стара модель. І хоча їхній метод може бути більш обчислювально інтенсивним, дослідники показують, що додаткові витрати відносно невеликі.

Висока продуктивність

Вони оцінили нову модель, використовуючи синтетичні та реальні дані океанських буїв. Оскільки синтетичні дані були сфабриковані дослідниками, вони могли порівняти прогнози моделі з поточними істинними потоками та розбіжностями. Але моделювання передбачає припущення, які можуть не відображати реальне життя, тому дослідники також перевірили свою модель, використовуючи дані, отримані справжніми буями, випущеними в Мексиканській затоці.

У кожному випадку їхній метод продемонстрував кращу продуктивність для обох завдань, прогнозування струмів і виявлення розбіжностей, порівняно зі стандартним процесом Гауса та іншим підходом машинного навчання, який використовує нейронну мережу. Наприклад, в одному моделюванні, яке включало вихор поруч з океанською течією, новий метод правильно передбачив відсутність розбіжності, тоді як попередній метод процесу Гауса та метод нейронної мережі передбачили розбіжність з дуже високою впевненістю.

Ця техніка також хороша для ідентифікації вихорів з невеликого набору буїв, додає Бродерік.

Тепер, коли вони продемонстрували ефективність використання розкладання Гельмгольца, дослідники хочуть включити часовий елемент у свою модель, оскільки струми можуть змінюватися як у часі, так і в просторі. Крім того, вони хочуть краще фіксувати, як шум впливає на дані, наприклад вітер, який іноді впливає на швидкість буя. Відокремлення цього шуму від даних може зробити їхній підхід точнішим.

«Ми сподіваємося взяти це шумне спостережуване поле швидкостей від буїв, а потім сказати, якою є фактична дивергенція та фактична завихреність, і передбачити подалі від цих буїв, і ми вважаємо, що наша нова техніка допоможе в цьому», — вона каже.