Ein Modell für maschinelles Lernen ermöglicht genauere Vorhersagen über Meeresströmungen

Um Meeresströmungen zu untersuchen, setzen Wissenschaftler mit GPS markierte Bojen im Meer aus und zeichnen ihre Geschwindigkeiten auf, um die Strömungen zu rekonstruieren, die sie transportieren. Diese Bojendaten werden auch verwendet, um „Divergenzen“ zu identifizieren, das sind Bereiche, in denen Wasser von unterhalb der Oberfläche aufsteigt oder darunter absinkt.

Durch die genaue Vorhersage von Strömungen und die Lokalisierung von Divergenzen können Wissenschaftler das Wetter genauer vorhersagen, die Ausbreitung von Öl nach einer Ölkatastrophe abschätzen oder den Energietransfer im Ozean messen. Ein neues Modell, das maschinelles Lernen einbezieht, macht genauere Vorhersagen als herkömmliche Modelle, heißt es in einer neuen Studie.

Ein multidisziplinäres Forschungsteam bestehend aus Informatikern am MIT und Ozeanographen hat herausgefunden, dass ein standardmäßiges statistisches Modell, das normalerweise für Bojendaten verwendet wird, Schwierigkeiten bei der genauen Rekonstruktion von Strömungen oder der Identifizierung von Divergenzen haben kann, weil es unrealistische Annahmen über das Verhalten von Wasser trifft.

Die Forscher entwickelten ein neues Modell, das Erkenntnisse aus der Fluiddynamik einbezieht, um die in Meeresströmungen wirkende Physik besser widerzuspiegeln. Sie zeigen, dass ihre Methode, die nur einen geringen zusätzlichen Rechenaufwand erfordert, bei der Vorhersage von Strömungen und der Identifizierung von Divergenzen genauer ist als das traditionelle Modell.

Dieses neue Modell könnte Ozeanographen dabei helfen, genauere Schätzungen anhand von Bojendaten vorzunehmen, was es ihnen ermöglichen würde, den Transport von Biomasse (wie Sargassum-Algen), Kohlenstoff, Kunststoffen, Öl und Nährstoffen im Ozean effektiver zu überwachen. Diese Informationen sind auch wichtig, um den Klimawandel zu verstehen und zu verfolgen.

„Unsere Methode erfasst die physikalischen Annahmen angemessener und genauer. In diesem Fall kennen wir bereits einen Großteil der Physik. Wir geben dem Modell einen kleinen Teil dieser Informationen, damit es sich auf das Lernen der Dinge konzentrieren kann, die für uns wichtig sind.“ , wie sind die Strömungen weg von den Bojen, oder was ist diese Divergenz und wo passiert sie?“ sagt die leitende Autorin Tamara Broderick, außerordentliche Professorin am Department of Electrical Engineering and Computer Science (EECS) des MIT und Mitglied des Laboratory for Information and Decision Systems und des Institute for Data, Systems, and Society.

Zu Brodericks Co-Autoren gehören der Hauptautor Renato Berlinghieri, ein Doktorand der Elektrotechnik und Informatik; Brian L. Trippe, Postdoc an der Columbia University; David R. Burt und Ryan Giordano, MIT-Postdocs; Kaushik Srinivasan, Assistenzforscher für Atmosphären- und Meereswissenschaften an der University of California in Los Angeles; Tamay Özgökmen, Professorin am Department of Ocean Sciences der University of Miami; und Junfei Xia, ein Doktorand an der University of Miami. Die Forschung wird auf der vorgestellt Internationale Konferenz zum maschinellen Lernen und ist als Vordruck auf der erhältlich arXiv Server.

Eintauchen in die Daten

Ozeanographen verwenden Daten zur Bojengeschwindigkeit, um Meeresströmungen vorherzusagen und „Divergenzen“ zu identifizieren, bei denen Wasser an die Oberfläche steigt oder tiefer sinkt.

Um Strömungen abzuschätzen und Divergenzen zu finden, haben Ozeanographen eine Technik des maschinellen Lernens verwendet, die als Gauß-Prozess bekannt ist und selbst bei spärlichen Daten Vorhersagen treffen kann. Um in diesem Fall gut zu funktionieren, muss der Gauß-Prozess Annahmen über die Daten treffen, um eine Vorhersage zu erstellen.

Eine Standardmethode zur Anwendung eines Gaußschen Prozesses auf Ozeandaten geht davon aus, dass die Breiten- und Längengradkomponenten der Strömung nichts miteinander zu tun haben. Aber diese Annahme ist physikalisch nicht korrekt. Dieses bestehende Modell impliziert beispielsweise, dass die Divergenz einer Strömung und ihre Wirbelkraft (eine Wirbelbewegung der Flüssigkeit) auf derselben Größen- und Längenskala wirken. Meeresforscher wissen, dass das nicht stimmt, sagt Broderick. Das vorherige Modell geht auch davon aus, dass der Bezugsrahmen von Bedeutung ist, was bedeutet, dass sich die Flüssigkeit in Breiten- und Längengradrichtung unterschiedlich verhalten würde.

„Wir dachten, wir könnten diese Probleme mit einem Modell angehen, das die Physik einbezieht“, sagt sie.

Sie bauten ein neues Modell, das die sogenannte Helmholtz-Zerlegung nutzt, um die Prinzipien der Fluiddynamik genau darzustellen. Diese Methode modelliert eine Meeresströmung, indem sie sie in eine Wirbelkomponente (die die Wirbelbewegung erfasst) und eine Divergenzkomponente (die steigendes oder sinkendes Wasser erfasst) zerlegt.

Auf diese Weise vermitteln sie dem Modell grundlegende physikalische Kenntnisse, die es für genauere Vorhersagen nutzt.

Dieses neue Modell nutzt die gleichen Daten wie das alte Modell. Und obwohl ihre Methode rechenintensiver sein kann, zeigen die Forscher, dass die zusätzlichen Kosten relativ gering sind.

Lebhafte Leistung

Sie bewerteten das neue Modell anhand synthetischer und realer Meeresbojendaten. Da die synthetischen Daten von den Forschern hergestellt wurden, konnten sie die Vorhersagen des Modells mit aktuellen Strömungen und Divergenzen vergleichen. Da die Simulation jedoch Annahmen erfordert, die möglicherweise nicht das wirkliche Leben widerspiegeln, testeten die Forscher ihr Modell auch anhand von Daten, die von echten Bojen im Golf von Mexiko erfasst wurden.

In jedem Fall zeigte ihre Methode eine überlegene Leistung für beide Aufgaben, die Vorhersage von Strömen und die Identifizierung von Divergenzen, im Vergleich zum Standard-Gauß-Prozess und einem anderen maschinellen Lernansatz, der ein neuronales Netzwerk nutzte. Beispielsweise sagte die neue Methode in einer Simulation, die einen an eine Meeresströmung angrenzenden Wirbel umfasste, keine Divergenz korrekt voraus, während die vorherige Gaußsche Prozessmethode und die Methode des neuronalen Netzwerks beide eine Divergenz mit sehr hoher Sicherheit vorhersagten.

Die Technik eignet sich auch gut zur Identifizierung von Wirbeln anhand einer kleinen Gruppe von Bojen, fügt Broderick hinzu.

Nachdem sie nun die Wirksamkeit der Helmholtz-Zerlegung nachgewiesen haben, wollen die Forscher ein Zeitelement in ihr Modell integrieren, da Strömungen sowohl zeitlich als auch räumlich variieren können. Darüber hinaus möchten sie besser erfassen, wie sich Lärm auf die Daten auswirkt, beispielsweise Winde, die manchmal die Bojengeschwindigkeit beeinflussen. Die Trennung dieses Rauschens von den Daten könnte ihren Ansatz genauer machen.

„Unsere Hoffnung besteht darin, dieses lautstark beobachtete Geschwindigkeitsfeld von den Bojen zu übernehmen und dann zu sagen, was die tatsächliche Divergenz und die tatsächliche Wirbelstärke ist, und sie von diesen Bojen aus vorherzusagen, und wir glauben, dass unsere neue Technik dabei hilfreich sein wird“, sagte sie sagt.

„Die Autoren integrieren geschickt bekannte Verhaltensweisen aus der Fluiddynamik, um Meeresströmungen in einem flexiblen Modell zu modellieren“, sagt Massimiliano Russo, Associate Biostatistiker am Brigham and Women’s Hospital und Dozent an der Harvard Medical School, der nicht an dieser Arbeit beteiligt war. „Der resultierende Ansatz behält die Flexibilität, die Nichtlinearität in den Strömen zu modellieren, kann aber auch Phänomene wie Wirbel und verbundene Ströme charakterisieren, die nur dann auffallen würden, wenn die fluiddynamische Struktur in das Modell integriert würde. Dies ist ein hervorragendes Beispiel dafür, wo eine flexible Lösung eingesetzt werden kann.“ Modell kann mit einer gut durchdachten und wissenschaftlich fundierten Spezifikation wesentlich verbessert werden.“

Diese Geschichte wurde mit freundlicher Genehmigung von MIT News erneut veröffentlicht (web.mit.edu/newsoffice/), eine beliebte Website mit Neuigkeiten über MIT-Forschung, Innovation und Lehre.