Модель машинного обучения делает более точные прогнозы океанских течений
Междисциплинарная исследовательская группа, включающая ученых-компьютерщиков из Массачусетского технологического института и океанографов, обнаружила, что стандартная статистическая модель, обычно используемая для данных с буев, не может точно реконструировать течения или выявить расхождения, поскольку делает нереалистичные предположения о поведении воды. Исследователи разработали новую модель, которая включает знания из гидродинамики, чтобы лучше отражать физику, действующую в океанских течениях. Они показывают, что их метод, который требует лишь небольших дополнительных вычислительных затрат, более точен в прогнозировании течений и выявлении расхождений, чем традиционная модель.
Ученые-компьютерщики из Массачусетского технологического института объединили усилия с океанографами для разработки модели машинного обучения, которая включает знания из гидродинамики для получения более точных прогнозов скорости океанских течений. На этом рисунке показаны траектории дрейфующих буев в Мексиканском заливе, наложенные на поверхностные течения. Красными точками отмечены положения буев на 9 марта 2016 г., хвосты имеют длину 14 дней.
Фото: Эдвард Райан и Тамай Озгокмен из Университета Майами.
Для изучения океанских течений ученые выпускают в океан буи с GPS-метками и записывают их скорости, чтобы реконструировать течения, которые их переносят. Эти данные с буя также используются для определения «расхождений», то есть областей, где вода поднимается из-под поверхности или опускается под нее.
Точно предсказывая течения и выявляя расхождения, ученые могут более точно предсказывать погоду, приблизительно определять, как нефть будет распространяться после разлива, или измерять передачу энергии в океане. Новое исследование сообщает, что новая модель, включающая машинное обучение, делает более точные прогнозы, чем обычные модели.
Междисциплинарная исследовательская группа, включающая ученых-компьютерщиков из Массачусетского технологического института и океанографов, обнаружила, что стандартная статистическая модель, обычно используемая для данных с буев, не может точно реконструировать течения или выявить расхождения, поскольку делает нереалистичные предположения о поведении воды.
Исследователи разработали новую модель, которая включает знания из гидродинамики, чтобы лучше отражать физику, действующую в океанских течениях . Они показывают, что их метод, который требует лишь небольших дополнительных вычислительных затрат, более точен в прогнозировании течений и выявлении расхождений, чем традиционная модель.
Эта новая модель может помочь океанологам делать более точные оценки на основе данных с буев, что позволит им более эффективно отслеживать перенос биомассы (например, саргассовых водорослей), углерода, пластика, нефти и питательных веществ в океане. Эта информация также важна для понимания и отслеживания изменения климата.
«Наш метод более правильно и точно фиксирует физические предположения. В этом случае мы уже знаем большую часть физики. Мы даем модели немного этой информации, чтобы она могла сосредоточиться на изучении важных для нас вещей. , каковы течения вдали от буев, или что это за расхождение и где оно происходит?» — говорит старший автор Тамара Бродерик, доцент кафедры электротехники и информатики Массачусетского технологического института (EECS) и член Лаборатории информационных систем и систем принятия решений и Института данных, систем и общества.
Среди соавторов Бродерика ведущий автор Ренато Берлингьери, аспирант по электротехнике и информатике; Брайан Л. Трипп, постдок Колумбийского университета; Дэвид Р. Берт и Райан Джордано, постдоки Массачусетского технологического института; Каушик Сринивасан, ассистент научного сотрудника в области изучения атмосферы и океана в Калифорнийском университете в Лос-Анджелесе; Тамай Озгёкмен, профессор кафедры наук об океане Университета Майами; и Джунфей Ся, аспирант Университета Майами. Исследование будет представлено на Международной конференции по машинному обучению и доступно в виде препринта на сервере arXiv.
Погружение в данные
Океанографы используют данные о скорости буев для прогнозирования океанских течений и выявления «расхождений», где вода поднимается на поверхность или опускается глубже.
Для оценки течений и обнаружения расхождений океанографы использовали технику машинного обучения, известную как гауссовский процесс, который может делать прогнозы даже при скудных данных. Чтобы хорошо работать в этом случае, гауссовский процесс должен делать предположения о данных для создания прогноза.
Стандартный способ применения гауссовского процесса к данным об океанах предполагает, что компоненты широты и долготы течения не связаны. Но это предположение не является физически точным. Например, эта существующая модель подразумевает, что дивергенция течения и его завихренность (вихревое движение жидкости) действуют в одних и тех же масштабах величины и длины. Ученые-океанологи знают, что это неправда, говорит Бродерик. Предыдущая модель также предполагает, что система отсчета имеет значение, что означает, что жидкость будет вести себя по-разному в направлении широты и долготы.
«Мы думали, что сможем решить эти проблемы с помощью модели, включающей физику», — говорит она.
Они построили новую модель, которая использует то, что известно как разложение Гельмгольца, чтобы точно представить принципы гидродинамики. Этот метод моделирует океанское течение, разбивая его на компонент завихрения (который фиксирует вихревое движение) и компонент дивергенции (который фиксирует подъем или опускание воды).
Таким образом, они дают модели некоторые базовые физические знания, которые она использует для более точных прогнозов.
Эта новая модель использует те же данные, что и старая модель. И хотя их метод может требовать больших вычислительных ресурсов, исследователи показывают, что дополнительные затраты относительно невелики.
Жизнерадостная производительность
Они оценили новую модель, используя синтетические и реальные данные океанских буев. Поскольку синтетические данные были сфабрикованы исследователями, они могли сравнить предсказания модели с реальными течениями и расхождениями. Но моделирование включает в себя предположения, которые могут не отражать реальную жизнь, поэтому исследователи также проверили свою модель, используя данные, полученные с реальных буев, выпущенных в Мексиканском заливе.
В каждом случае их метод продемонстрировал превосходную производительность для обеих задач, прогнозирования течений и выявления расхождений по сравнению со стандартным гауссовским процессом и другим подходом машинного обучения, в котором использовалась нейронная сеть . Например, в одном моделировании, которое включало вихрь, прилегающий к океанскому течению, новый метод правильно предсказал отсутствие расхождения, в то время как предыдущий метод гауссовского процесса и метод нейронной сети предсказывали расхождение с очень высокой степенью достоверности.
Бродерик добавляет, что этот метод также хорош для выявления вихрей с небольшого набора буев.
Теперь, когда они продемонстрировали эффективность использования разложения Гельмгольца, исследователи хотят включить в свою модель элемент времени, поскольку токи могут меняться как во времени, так и в пространстве. Кроме того, они хотят лучше фиксировать, как шум влияет на данные, например, ветер, который иногда влияет на скорость буя. Отделение этого шума от данных может сделать их подход более точным.
«Наша надежда состоит в том, чтобы взять это наблюдаемое с шумом поле скоростей от буев, а затем сказать, что такое реальная дивергенция и фактическая завихренность, и предсказать их вдали от этих буев, и мы думаем, что наша новая техника будет полезна для этого», — сказала она.
«Авторы ловко интегрируют известные модели поведения от гидродинамики до моделирования океанских течений в гибкой модели», — говорит Массимилиано Руссо, младший специалист по биостатистике в Brigham and Women's Hospital и инструктор Гарвардской медицинской школы, который не участвовал в этой работе. «Полученный подход сохраняет гибкость для моделирования нелинейности течений, но может также характеризовать такие явления, как вихри и связанные токи, которые можно было бы заметить только в том случае, если в модель интегрирована гидродинамическая структура. Это отличный пример того, где гибкий модель может быть существенно улучшена с помощью хорошо продуманной и научно обоснованной спецификации».
