Περίληψη άρθρου:
Ένα νέο μοντέλο που χρησιμοποιεί μηχανική μάθηση έχει αναπτυχθεί από ομάδα ερευνητών, συμπεριλαμβανομένων επιστημόνων πληροφορικής του ΜΙΤ και ωκεανογράφων, το οποίο είναι πιο ακριβές στην πρόβλεψη των ωκεάνιων ρευμάτων και στον εντοπισμό περιοχών όπου το νερό ανεβαίνει ή βυθίζεται κάτω από την επιφάνεια. Η ομάδα διαπίστωσε ότι τα τυπικά στατιστικά μοντέλα δυσκολεύονται να ανακατασκευάσουν με ακρίβεια τα ρεύματα ή να εντοπίσουν αποκλίσεις, επειδή κάνουν μη ρεαλιστικές υποθέσεις σχετικά με τη συμπεριφορά του νερού. Το νέο μοντέλο αναλύει ένα ωκεάνιο ρεύμα σε μια συνιστώσα στροβιλότητας και μια συνιστώσα απόκλισης για να δώσει στον αλγόριθμο μηχανικής μάθησης κάποιες βασικές γνώσεις φυσικής που μπορεί να χρησιμοποιήσει όταν κάνει προβλέψεις. Το μοντέλο θα μπορούσε να βοηθήσει στην παρακολούθηση της μεταφοράς βιομάζας, άνθρακα, πλαστικών, πετρελαίου και θρεπτικών ουσιών στον ωκεανό.

Κύρια σημεία του άρθρου:

• Οι επιστήμονες ανέπτυξαν ένα νέο μοντέλο που ενσωματώνει τη μηχανική μάθηση και τη δυναμική των ρευστών για την ακριβέστερη πρόβλεψη των ωκεάνιων ρευμάτων και τον εντοπισμό αποκλίσεων.
• Αυτό το νέο μοντέλο θα μπορούσε να βοηθήσει τους ωκεανογράφους να κάνουν ακριβέστερες εκτιμήσεις από τα δεδομένα των σημαντήρων, γεγονός που θα τους επιτρέψει να παρακολουθούν αποτελεσματικότερα τη μεταφορά βιομάζας, άνθρακα, πλαστικών, πετρελαίου και θρεπτικών ουσιών στον ωκεανό.
• Το νέο μοντέλο είναι πιο ακριβές στην πρόβλεψη των ρευμάτων και στον εντοπισμό αποκλίσεων από το παραδοσιακό μοντέλο και απαιτεί μόνο ένα μικρό ποσό πρόσθετης υπολογιστικής δαπάνης.
• Οι ερευνητές σχεδιάζουν να ενσωματώσουν ένα στοιχείο χρόνου στο μοντέλο τους και να αποτυπώσουν καλύτερα τον τρόπο με τον οποίο ο θόρυβος επηρεάζει τα δεδομένα, ώστε να κάνουν την προσέγγισή τους ακόμη πιο ακριβή.
• Η έρευνα αυτή θα μπορούσε να βοηθήσει τους επιστήμονες να κατανοήσουν και να παρακολουθήσουν καλύτερα την κλιματική αλλαγή.

Αναλυτικά το άρθρο:
Ένα μοντέλο μηχανικής μάθησης που παρέχει ακριβέστερες προβλέψεις των ωκεάνιων ρευμάτων θα μπορούσε να βοηθήσει στον εντοπισμό της πλαστικής ρύπανσης και των πετρελαιοκηλίδων και να βοηθήσει στην έρευνα και διάσωση. Οι επιστήμονες απελευθερώνουν σημαδούρες με ετικέτες GPS στον ωκεανό για να καταγράψουν τις ταχύτητές τους και να ανακατασκευάσουν τα ρεύματα που τις μεταφέρουν, δεδομένα που βοηθούν επίσης στον εντοπισμό των "αποκλίσεων", περιοχών όπου το νερό ανεβαίνει από την επιφάνεια ή βυθίζεται κάτω από αυτήν. Ωστόσο, ένα τυπικό στατιστικό μοντέλο που χρησιμοποιείται στα δεδομένα των σημαντήρων δυσκολεύεται να ανακατασκευάσει με ακρίβεια τα ρεύματα ή να εντοπίσει τις αποκλίσεις, επειδή κάνει μη ρεαλιστικές υποθέσεις για τη συμπεριφορά του νερού. Ερευνητές του MIT ανέπτυξαν ένα νέο μοντέλο που ενσωματώνει γνώσεις από τη δυναμική των ρευστών για να αντικατοπτρίζει καλύτερα τη φυσική που λειτουργεί στα ωκεάνια ρεύματα. Η μέθοδός τους είναι πιο ακριβής στην πρόβλεψη των ρευμάτων και στον εντοπισμό αποκλίσεων από το παραδοσιακό μοντέλο. Το νέο εργαλείο θα μπορούσε να επιτρέψει στους ωκεανογράφους να παρακολουθούν αποτελεσματικότερα τη μεταφορά βιομάζας (όπως τα φύκια Sargassum), άνθρακα, πλαστικών, πετρελαίου και θρεπτικών ουσιών στον ωκεανό.

Βουτιά στα δεδομένα
Οι ωκεανογράφοι ανέπτυξαν ένα μοντέλο μηχανικής μάθησης που ενσωματώνει αρχές της φυσικής για τη δημιουργία ακριβέστερων προβλέψεων των ωκεάνιων ρευμάτων και αποκλίσεων. Το μοντέλο αποσύνθεσης Helmholtz αναλύει τα ρεύματα σε μια συνιστώσα στροβιλότητας που αποτυπώνει τη στροβιλώδη κίνηση και σε μια συνιστώσα απόκλισης που αναδεικνύει την άνοδο ή τη βύθιση του νερού, επιτρέποντας τη βελτίωση των προβλέψεων με βασικές γνώσεις φυσικής. Η μέθοδος χρησιμοποιεί τα ίδια δεδομένα με τα προηγούμενα μοντέλα και ενώ είναι πιο εντατική υπολογιστικά, έχει σχετικά μικρό επιπλέον κόστος.

Αύξηση των επιδόσεων
Ερευνητές από το Πανεπιστήμιο του Μαϊάμι ανέπτυξαν ένα μοντέλο μηχανικής μάθησης που μπορεί να προβλέψει τα ωκεάνια ρεύματα και τις δίνες με μεγαλύτερη ακρίβεια από τα υπάρχοντα μοντέλα. Η νέα τεχνική χρησιμοποιεί μια αποσύνθεση Helmholtz για να διαχωρίσει τη ροή του νερού σε αποκλίσεις και στροβίλους, οι οποίες μπορούν στη συνέχεια να χρησιμοποιηθούν για τη δημιουργία μιας πιο λεπτομερούς εικόνας του τρόπου με τον οποίο κινείται το νερό. Οι ερευνητές δοκίμασαν το μοντέλο τους χρησιμοποιώντας συνθετικά δεδομένα, καθώς και πραγματικά δεδομένα σημαντήρων από τον Κόλπο του Μεξικού, και διαπίστωσαν ότι είχε καλύτερες επιδόσεις από τα μοντέλα Gaussian process και νευρωνικών δικτύων στην πρόβλεψη των ρευμάτων και στον εντοπισμό των αποκλίσεων. Η ομάδα ελπίζει τώρα να ενσωματώσει ένα χρονικό στοιχείο στο μοντέλο της για να καταγράψει καλύτερα τον τρόπο με τον οποίο τα ρεύματα μεταβάλλονται με την πάροδο του χρόνου, καθώς και να διαχωρίσει το θόρυβο, όπως ο άνεμος, ο οποίος μπορεί να επηρεάσει την ταχύτητα των σημαντήρων. Η έρευνα υποστηρίζεται από το Γραφείο Ναυτικής Έρευνας μέσω του προγράμματος Multi University Research Initiative (MURI) και εν μέρει από το βραβείο CAREER του Εθνικού Ιδρύματος Επιστημών (NSF).

Πηγή: A better way to study ocean currents