Neues Modell mit maschinellem Lernen verbessert Vorhersagen der Meeresströmungen

Massachusetts Institute of Technology

Mit der Anmeldung stimmen Sie unseren Nutzungsbedingungen und Richtlinien zu. Sie können sich jederzeit abmelden.

Ein Modell, das maschinelles Lernen kombiniert, wurde in einer aktuellen Studie von einem vielfältigen Forschungsteam, darunter Informatiker vom MIT und Ozeanographen, entwickelt, um Meeresströmungen genauer vorherzusagen und Divergenzen zu identifizieren.

Die Forscher stellten fest, dass das herkömmliche statistische Modell, das häufig auf Bojendaten angewendet wird, aufgrund falscher Annahmen über das Wasserverhalten Schwierigkeiten hat, präzise Vorhersagen zu treffen. Das neue Modell bietet eine realistischere Darstellung der in Meeresströmungen wirkenden Physik, indem es Erkenntnisse aus der Fluiddynamik kombiniert.

Divergenzen müssen identifiziert werden, und Vorhersagen der Meeresströmungen müssen genau sein, um auf Ölverschmutzungen reagieren, das Wetter vorhersagen und verstehen zu können, wie Energie im Ozean übertragen wird.

Das aktualisierte Modell könnte eine genauere Überwachung des Biomassetransports, der Kohlenstoffverteilung, der Kunststoffverteilung, der Ölbewegung und des Nährstoffflusses im Ozean ermöglichen, was die Schätzungen aus Bojendaten erheblich verbessern könnte. Darüber hinaus sind diese Daten für das Verständnis und die Überwachung des Klimawandels unerlässlich.

Die Forscher stellten fest, dass mithilfe des herkömmlichen Gaußschen Prozesses, einer maschinellen Lernmethode zur Vorhersage von Meeresströmungen und zur Identifizierung von Divergenzen, falsche Annahmen hinsichtlich der Beziehung zwischen den Breiten- und Längengradkomponenten der Strömung getroffen wurden.

Das bestehende Modell ging von der falschen Annahme aus, dass Wirbelstärke und Divergenz einer Strömung auf denselben Längen- und Größenskalen auftreten. Das neue Modell beinhaltet jedoch eine Helmholtz-Zerlegung, die die Meeresströmung in Vorticity- und Divergenzkomponenten zerlegt und so die Gesetze der Fluiddynamik präzise abbildet.

Mithilfe von Daten sowohl synthetischer als auch tatsächlicher Meeresbojen bewerteten die Forscher das neue Modell. Im Vergleich zum herkömmlichen Gaußschen Prozess und einer anderen Methode des maschinellen Lernens, die ein neuronales Netzwerk nutzt, schnitt das neue Modell bei der Vorhersage von Strömungen und der Erkennung von Divergenzen im Vergleich zu bodennahen Winden und Divergenzen besser ab. Die Forscher fanden außerdem heraus, dass mit der neuen Technik eine kleine Gruppe von Bojen zur erfolgreichen Identifizierung von Wirbeln eingesetzt werden könnte.

Die Forscher planen, ihr Modell künftig um eine Zeitkomponente zu erweitern, um zeitliche Schwankungen der Meeresströmungen zu berücksichtigen. Um die Genauigkeit des Modells zu erhöhen, wollen sie auch seine Fähigkeit verbessern, zwischen Daten und Rauschen, etwa Windeinflüssen, zu unterscheiden.

Die Forscher beabsichtigen, die Fähigkeiten des Modells zur Vorhersage von Strömungen und Divergenzen abseits der Bojen zu verbessern und so letztendlich ihr Verständnis der Meeresdynamik zu verbessern.

Feldspezialisten haben die neue Methode der Forscher gelobt, die bekannte Verhaltensweisen der Fluiddynamik in ein anpassungsfähiges Modell einbezog. Massimiliano Russo, Associate Biostatistiker am Brigham and Women's Hospital, lobt die Studie für ihre wissenschaftlich fundierte Spezifikation und ihre Fähigkeit, die Anpassungsfähigkeit und Präzision bestehender Modelle zu verbessern.

Die Rosenstiel School of Marine, Atmospheric, and Earth Science der University of Miami, das Office of Naval Research und ein NSF CAREER Award stellten die Finanzierung dieser Studie bereit.

Die Ergebnisse dieser Studie, die den potenziellen Einfluss des neuen Modells auf die ozeanografische Forschung und Anwendungen verdeutlichen, werden auf der International Conference on Machine Learning vorgestellt.

Studienzusammenfassung:

Ozeanographen sind daran interessiert, Meeresströmungen vorherzusagen und Abweichungen in einem Strömungsvektorfeld auf der Grundlage spärlicher Beobachtungen von Bojengeschwindigkeiten zu identifizieren. Da wir erwarten, dass die aktuelle Dynamik glatt, aber stark nichtlinear ist, bieten Gaußsche Prozesse (GPs) ein attraktives Modell. Wir zeigen jedoch, dass die direkte Anwendung eines GP mit einem standardmäßigen stationären Kernel auf Bojendaten sowohl bei der aktuellen Vorhersage als auch bei der Divergenzerkennung Schwierigkeiten bereiten kann – aufgrund einiger physikalisch unrealistischer vorheriger Annahmen. Um bekannte physikalische Eigenschaften von Strömen besser widerzuspiegeln, schlagen wir stattdessen vor, einen standardmäßigen stationären Kernel auf die Divergenz- und Curl-freien Komponenten eines Vektorfelds zu legen, das durch eine Helmholtz-Zerlegung erhalten wird. Wir zeigen, dass wir, da sich diese Zerlegung nur über gemischte partielle Ableitungen auf das ursprüngliche Vektorfeld bezieht, bei gegebenen Originaldaten immer noch eine Schlussfolgerung mit nur einem kleinen konstanten Vielfachen zusätzlichen Rechenaufwands durchführen können. Wir veranschaulichen die Vorteile unserer Methode anhand synthetischer und realer Meeresdaten.