El nuevo modelo que utiliza el aprendizaje automático mejora las predicciones de las corrientes oceánicas
Instituto de Tecnología de Massachusetts
Al suscribirse, acepta nuestros Términos de uso y Políticas. Puede darse de baja en cualquier momento.
Un modelo que combina el aprendizaje automático ha sido construido en un estudio reciente por un equipo de investigación diverso, incluidos científicos informáticos del MIT y oceanógrafos, para predecir con mayor precisión las corrientes oceánicas e identificar las divergencias.
Los investigadores descubrieron que, debido a suposiciones erróneas sobre el comportamiento del agua, el modelo estadístico convencional que se aplica con frecuencia a los datos de las boyas tiene dificultades para producir predicciones precisas. El nuevo modelo ofrece una representación más realista de la física en juego en las corrientes oceánicas al combinar el conocimiento de la dinámica de fluidos.
Se deben identificar las divergencias y las predicciones de las corrientes oceánicas deben ser precisas para responder a los derrames de petróleo, pronosticar el clima y comprender cómo se transfiere la energía en el océano.
El modelo actualizado puede hacer posible un monitoreo más preciso del transporte de biomasa, la dispersión de carbono, la distribución de plásticos, el movimiento de petróleo y el flujo de nutrientes en el océano, lo que podría mejorar significativamente las estimaciones extraídas de los datos de las boyas. Además, estos datos son esenciales para comprender y monitorear el cambio climático.
Los investigadores encontraron que se hicieron suposiciones incorrectas con respecto a la relación entre los componentes de latitud y longitud de la corriente utilizando el proceso gaussiano convencional, un método de aprendizaje automático utilizado para pronosticar las corrientes oceánicas e identificar divergencias.
El modelo existente usaba la suposición falsa de que la vorticidad y la divergencia de una corriente ocurren en las mismas escalas de longitud y magnitud. El nuevo modelo, sin embargo, incluye una descomposición de Helmholtz, que divide la corriente oceánica en componentes de vorticidad y divergencia, lo que representa precisamente las leyes de la dinámica de fluidos.
Utilizando datos de boyas oceánicas tanto sintéticas como reales, los investigadores evaluaron el nuevo modelo. En comparación con el proceso gaussiano convencional y otro método de aprendizaje automático que utiliza una red neuronal, el nuevo modelo se desempeñó mejor en la previsión de corrientes y el reconocimiento de divergencias en comparación con vientos y divergencias reales en tierra. Los investigadores también encontraron que usando la nueva técnica, un pequeño grupo de boyas podría usarse para identificar vórtices con éxito.
Los investigadores planean agregar un componente de tiempo a su modelo en el futuro para tener en cuenta las fluctuaciones temporales en las corrientes oceánicas. Para aumentar la precisión del modelo, también pretenden mejorar su capacidad para distinguir entre datos y ruido, como la influencia del viento.
Los investigadores tienen la intención de aumentar las capacidades del modelo para pronosticar corrientes y divergencias lejos de las boyas y, en última instancia, mejorar su comprensión de la dinámica oceánica.
Los especialistas de campo han elogiado el nuevo método de los investigadores, que incluyó comportamientos dinámicos de fluidos bien conocidos en un modelo adaptable. Massimiliano Russo, bioestadístico asociado del Brigham and Women's Hospital, aplaude el estudio por su especificación científicamente sólida y su capacidad para mejorar la adaptabilidad y la precisión de los modelos existentes.
La Escuela Rosenstiel de Ciencias Marinas, Atmosféricas y de la Tierra de la Universidad de Miami, la Oficina de Investigación Naval y un Premio NSF CAREER proporcionaron fondos para este estudio.
Los resultados de este estudio, que destacan la influencia potencial del nuevo modelo en la investigación y las aplicaciones oceanográficas, se presentarán en la Conferencia Internacional sobre Aprendizaje Automático.
Resumen del estudio:
Los oceanógrafos están interesados en predecir las corrientes oceánicas e identificar las divergencias en un campo de vectores de corrientes basándose en escasas observaciones de las velocidades de las boyas. Dado que esperamos que la dinámica actual sea suave pero altamente no lineal, los procesos gaussianos (GP) ofrecen un modelo atractivo. Pero mostramos que la aplicación de un GP con un kernel estacionario estándar directamente a los datos de la boya puede tener dificultades tanto en la predicción actual como en la identificación de la divergencia, debido a algunas suposiciones previas físicamente poco realistas. Para reflejar mejor las propiedades físicas conocidas de las corrientes, proponemos colocar un kernel estacionario estándar en las componentes de divergencia y sin rotaciones de un campo vectorial obtenido a través de una descomposición de Helmholtz. Mostramos que, debido a que esta descomposición se relaciona con el campo vectorial original solo a través de derivadas parciales mixtas, aún podemos realizar inferencias dados los datos originales con solo un pequeño múltiplo constante de gasto computacional adicional. Ilustramos los beneficios de nuestro método en datos oceánicos sintéticos y reales.
Resumen del estudio: