Un nuovo modello che utilizza l’apprendimento automatico migliora le previsioni sulle correnti oceaniche

Istituto di Tecnologia del Massachussetts

Iscrivendoti, accetti i nostri Termini di utilizzo e le nostre Politiche. Puoi annullare l'iscrizione in qualsiasi momento.

Un modello che combina l’apprendimento automatico è stato costruito in un recente studio da un gruppo di ricerca diversificato, tra cui scienziati informatici del MIT e oceanografi, per prevedere con maggiore precisione le correnti oceaniche e identificare le divergenze.

I ricercatori hanno scoperto che, a causa di ipotesi errate sul comportamento dell’acqua, il modello statistico convenzionale spesso applicato ai dati delle boe fatica a produrre previsioni precise. Il nuovo modello offre una rappresentazione più realistica della fisica in gioco nelle correnti oceaniche combinando le conoscenze della dinamica dei fluidi.

È necessario identificare le divergenze e le previsioni sulle correnti oceaniche devono essere accurate per rispondere alle fuoriuscite di petrolio, prevedere il tempo e comprendere come l’energia viene trasferita nell’oceano.

Il modello aggiornato potrebbe rendere possibile un monitoraggio più accurato del trasporto di biomassa, della dispersione del carbonio, della distribuzione della plastica, del movimento del petrolio e del flusso di nutrienti nell’oceano, il che potrebbe migliorare significativamente le stime tratte dai dati delle boe. Inoltre, questi dati sono essenziali per comprendere e monitorare i cambiamenti climatici.

I ricercatori hanno scoperto che sono state fatte ipotesi errate riguardo alla relazione tra le componenti di latitudine e longitudine della corrente utilizzando il processo gaussiano convenzionale, un metodo di apprendimento automatico utilizzato per prevedere le correnti oceaniche e identificare le divergenze.

Il modello esistente utilizzava il falso presupposto che la vorticità e la divergenza di una corrente si verificassero sulla stessa scala di lunghezza e magnitudo. Il nuovo modello, tuttavia, include una scomposizione di Helmholtz, che divide la corrente oceanica in componenti di vorticità e divergenza, rappresentando precisamente le leggi della fluidodinamica.

Utilizzando i dati provenienti sia da boe oceaniche sintetiche che reali, i ricercatori hanno valutato il nuovo modello. Rispetto al processo gaussiano convenzionale e a un altro metodo di apprendimento automatico che utilizza una rete neurale, il nuovo modello ha ottenuto risultati migliori nella previsione delle correnti e nel riconoscimento delle divergenze rispetto ai venti e alle divergenze reali. I ricercatori hanno anche scoperto che, utilizzando la nuova tecnica, un piccolo gruppo di boe potrebbe essere utilizzato per identificare con successo i vortici.

I ricercatori intendono aggiungere in futuro una componente temporale al loro modello per tenere conto delle fluttuazioni temporali delle correnti oceaniche. Per aumentare la precisione del modello, intendono anche migliorare la sua capacità di distinguere tra dati e rumore, come le influenze del vento.

I ricercatori intendono aumentare le capacità del modello di prevedere le correnti e le divergenze lontano dalle boe, migliorando in definitiva la loro comprensione delle dinamiche oceaniche.

Gli specialisti sul campo hanno elogiato il nuovo metodo dei ricercatori, che includeva comportamenti fluidodinamici ben noti in un modello adattabile. Massimiliano Russo, biostatistico associato presso il Brigham and Women's Hospital, applaude lo studio per le sue specifiche scientificamente valide e la capacità di migliorare l'adattabilità e la precisione dei modelli esistenti.

La Rosenstiel School of Marine, Atmospheric, and Earth Science presso l’Università di Miami, l’Office of Naval Research e un NSF CAREER Award hanno tutti fornito finanziamenti per questo studio.

I risultati di questo studio, che evidenziano la potenziale influenza del nuovo modello sulla ricerca e sulle applicazioni oceanografiche, saranno presentati alla Conferenza internazionale sull'apprendimento automatico.

Estratto dello studio:

Gli oceanografi sono interessati a prevedere le correnti oceaniche e a identificare le divergenze in un campo vettoriale di corrente sulla base di osservazioni sparse delle velocità delle boe. Poiché ci aspettiamo che le dinamiche attuali siano regolari ma altamente non lineari, i processi gaussiani (GP) offrono un modello interessante. Ma dimostriamo che l’applicazione di un GP con un kernel stazionario standard direttamente ai dati delle boe può avere difficoltà sia nella previsione attuale che nell’identificazione della divergenza, a causa di alcuni presupposti fisicamente irrealistici. Per riflettere meglio le proprietà fisiche note delle correnti, proponiamo invece di inserire un nucleo stazionario standard sulle componenti divergenza e assenza di curl di un campo vettoriale ottenuto attraverso una decomposizione di Helmholtz. Mostriamo che, poiché questa scomposizione si riferisce al campo vettoriale originale solo tramite derivate parziali miste, possiamo ancora eseguire l'inferenza dati i dati originali con solo un piccolo multiplo costante di spesa computazionale aggiuntiva. Illustriamo i vantaggi del nostro metodo su dati oceanici sintetici e reali.