Per studiare le correnti oceaniche, gli scienziati rilasciano boe contrassegnate dal GPS nell’oceano e registrano le loro velocità per ricostruire le correnti che le trasportano. Questi dati sulle boe vengono utilizzati anche per identificare le “divergenze”, che sono aree in cui l’acqua sale da sotto la superficie o affonda al di sotto di essa.
Prevedendo con precisione le correnti e individuando le divergenze, gli scienziati possono prevedere in modo più preciso il tempo, approssimare il modo in cui il petrolio si diffonderà dopo una fuoriuscita o misurare il trasferimento di energia nell’oceano. Un nuovo modello che incorpora l’apprendimento automatico fa previsioni più accurate rispetto ai modelli convenzionali, riporta un nuovo studio.
Un gruppo di ricerca multidisciplinare che comprende scienziati informatici del MIT e oceanografi ha scoperto che un modello statistico standard tipicamente utilizzato sui dati delle boe può avere difficoltà a ricostruire con precisione le correnti o identificare le divergenze perché fa ipotesi irrealistiche sul comportamento dell’acqua.
I ricercatori hanno sviluppato un nuovo modello che incorpora la conoscenza della dinamica dei fluidi per riflettere meglio la fisica al lavoro nelle correnti oceaniche. Mostrano che il loro metodo, che richiede solo una piccola quantità di spese computazionali aggiuntive, è più accurato nel prevedere le correnti e nell’identificare le divergenze rispetto al modello tradizionale.
Questo nuovo modello potrebbe aiutare gli oceanografi a fare stime più accurate dai dati delle boe, il che consentirebbe loro di monitorare in modo più efficace il trasporto di biomassa (come l’alga Sargassum), carbonio, plastica, petrolio e sostanze nutritive nell’oceano. Queste informazioni sono importanti anche per comprendere e monitorare i cambiamenti climatici.
“Il nostro metodo cattura i presupposti fisici in modo più appropriato e accurato. In questo caso, conosciamo già gran parte della fisica. Stiamo fornendo al modello un po’ di quelle informazioni in modo che possa concentrarsi sull’apprendimento delle cose che sono importanti per noi , come quali sono le correnti lontane dalle boe, o cos’è questa divergenza e dove si verifica?” afferma l’autrice senior Tamara Broderick, professore associato presso il Dipartimento di ingegneria elettrica e informatica (EECS) del MIT e membro del Laboratorio per i sistemi di informazione e decisione e dell’Istituto per i dati, i sistemi e la società.
I coautori di Broderick includono l’autore principale Renato Berlinghieri, uno studente laureato in ingegneria elettrica e informatica; Brian L. Trippe, postdoc alla Columbia University; David R. Burt e Ryan Giordano, postdoc del MIT; Kaushik Srinivasan, assistente ricercatore in scienze atmosferiche e oceaniche presso l’Università della California a Los Angeles; Tamay Özgökmen, professore presso il Dipartimento di scienze oceaniche dell’Università di Miami; e Junfei Xia, uno studente laureato presso l’Università di Miami. La ricerca sarà presentata alla International Conference on Machine Learning.
Immergersi nei dati
Gli oceanografi utilizzano i dati sulla velocità della boa per prevedere le correnti oceaniche e identificare le “divergenze” in cui l’acqua sale in superficie o affonda più in profondità.
Per stimare le correnti e trovare le divergenze, gli oceanografi hanno utilizzato una tecnica di apprendimento automatico nota come processo gaussiano, che può fare previsioni anche quando i dati sono scarsi. Per funzionare bene in questo caso, il processo gaussiano deve fare ipotesi sui dati per generare una previsione.
Un modo standard di applicare un processo gaussiano ai dati degli oceani presuppone che le componenti di latitudine e longitudine della corrente non siano correlate. Ma questa ipotesi non è fisicamente accurata. Ad esempio, questo modello esistente implica che la divergenza di una corrente e la sua vorticità (un movimento vorticoso del fluido) operino sulle stesse scale di grandezza e lunghezza. Gli scienziati oceanici sanno che questo non è vero, dice Broderick. Il modello precedente presuppone anche che il quadro di riferimento sia importante, il che significa che il fluido si comporterebbe in modo diverso nella direzione della latitudine rispetto alla longitudine.
“Pensavamo di poter affrontare questi problemi con un modello che incorpori la fisica”, afferma.
Hanno costruito un nuovo modello che utilizza quella che è nota come decomposizione di Helmholtz per rappresentare con precisione i principi della dinamica dei fluidi. Questo metodo modella una corrente oceanica scomponendola in una componente di vorticità (che cattura il movimento vorticoso) e una componente di divergenza (che cattura l’acqua che sale o scende).
In questo modo, danno al modello alcune conoscenze fisiche di base che utilizza per fare previsioni più accurate.
Questo nuovo modello utilizza gli stessi dati del vecchio modello. E mentre il loro metodo può essere più intensivo dal punto di vista computazionale, i ricercatori dimostrano che il costo aggiuntivo è relativamente basso.
Prestazioni vivaci
Hanno valutato il nuovo modello utilizzando dati di boe oceaniche sintetiche e reali. Poiché i dati sintetici sono stati fabbricati dai ricercatori, hanno potuto confrontare le previsioni del modello con le correnti e le divergenze della verità fondamentale. Ma la simulazione implica ipotesi che potrebbero non riflettere la vita reale, quindi i ricercatori hanno anche testato il loro modello utilizzando dati catturati da vere boe rilasciate nel Golfo del Messico.
In ogni caso, il loro metodo ha dimostrato prestazioni superiori per entrambi i compiti, prevedendo le correnti e identificando le divergenze, rispetto al processo gaussiano standard e a un altro approccio di apprendimento automatico che utilizzava una rete neurale. Ad esempio, in una simulazione che includeva un vortice adiacente a una corrente oceanica, il nuovo metodo non prevedeva correttamente alcuna divergenza, mentre il precedente metodo del processo gaussiano e il metodo della rete neurale prevedevano entrambi una divergenza con un livello di confidenza molto elevato.
La tecnica è anche efficace nell’identificare i vortici da una piccola serie di boe, aggiunge Broderick.
Ora che hanno dimostrato l’efficacia dell’utilizzo di una decomposizione di Helmholtz, i ricercatori vogliono incorporare un elemento temporale nel loro modello, poiché le correnti possono variare nel tempo e nello spazio. Inoltre, vogliono catturare meglio l’impatto del rumore sui dati, come i venti che a volte influenzano la velocità della boa. Separare quel rumore dai dati potrebbe rendere il loro approccio più accurato.
“La nostra speranza è di prendere questo campo di velocità osservato rumorosamente dalle boe, e poi dire qual è l’effettiva divergenza e l’effettiva vorticità, e prevedere lontano da quelle boe, e pensiamo che la nostra nuova tecnica sarà utile per questo”, ha detto. dice.
Questa ricerca è supportata, in parte, dall’Office of Naval Research, da un National Science Foundation (NSF) CAREER Award e dalla Rosenstiel School of Marine, Atmospheric, and Earth Science presso l’Università di Miami.
Da un’altra testata giornalistica. news de www.sciencedaily.com