Un modo migliore per studiare le correnti oceaniche.

A better way to study ocean currents.

Un nuovo modello di machine-learning effettua previsioni più accurate sulle correnti oceaniche, il che potrebbe aiutare nel monitoraggio dell’inquinamento da plastica e degli incidenti petroliferi, nonché assistere nelle operazioni di ricerca e salvataggio.

Per studiare le correnti oceaniche, gli scienziati rilasciano boe con GPS nell’oceano e registrano le loro velocità per ricostruire le correnti che le trasportano. Questi dati delle boe vengono anche utilizzati per identificare le “divergenze”, che sono aree in cui l’acqua si solleva dalla superficie o sprofonda sotto di essa.

• Utilizzare i dati per scrivere canzoni per il progresso
• Celebrando l’impatto di IDSS
• Scalare l’apprendimento audio-visivo senza etichette

Predicendo con precisione le correnti e individuando le divergenze, gli scienziati possono prevedere il tempo in modo più preciso, approssimare come si diffonderà il petrolio dopo una fuoriuscita o misurare il trasferimento di energia nell’oceano. Un nuovo modello che incorpora il machine learning effettua previsioni più accurate rispetto ai modelli convenzionali, secondo un nuovo studio.

Un team di ricerca multidisciplinare che include scienziati informatici del MIT e oceanografi ha scoperto che un modello statistico standard utilizzato tipicamente sui dati delle boe può avere difficoltà nel ricostruire in modo accurato le correnti o nell’identificare le divergenze perché fa assunzioni irrealistiche sul comportamento dell’acqua.

I ricercatori hanno sviluppato un nuovo modello che incorpora la conoscenza della fluidodinamica per riflettere meglio la fisica in gioco nelle correnti oceaniche. Dimostrano che il loro metodo, che richiede solo una piccola quantità di spesa computazionale aggiuntiva, è più preciso nel prevedere le correnti e identificare le divergenze rispetto al modello tradizionale.

Questo nuovo modello potrebbe aiutare gli oceanografi a fare stime più precise dai dati delle boe, consentendo loro di monitorare in modo più efficace il trasporto di biomassa (come le alghe Sargassum), carbonio, plastica, petrolio e nutrienti nell’oceano. Queste informazioni sono anche importanti per capire e seguire i cambiamenti climatici.

“Il nostro metodo cattura le assunzioni fisiche in modo più appropriato e accurato. In questo caso, conosciamo già molta della fisica. Stiamo dando al modello un po’ di quella informazione in modo che possa concentrarsi sull’apprendimento delle cose che sono importanti per noi, come quali sono le correnti lontano dalle boe o cosa è questa divergenza e dove sta accadendo?” afferma l’autore senior Tamara Broderick, professore associato al 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.

Gli autori di Broderick includono l’autore principale Renato Berlinghieri, uno studente di dottorato in ingegneria elettrica e informatica; Brian L. Trippe, un postdoc presso l’Università di Columbia; David R. Burt e Ryan Giordano, postdoc del MIT; Kaushik Srinivasan, un ricercatore assistente in scienze atmosferiche e oceaniche presso l’Università della California a Los Angeles; Tamay Özgökmen, professore nel Dipartimento di Scienze Oceaniche dell’Università di Miami; e Junfei Xia, uno studente di dottorato all’Università di Miami. La ricerca verrà presentata alla Conferenza Internazionale sul Machine Learning.

Immergendosi nei dati

Gli oceanografi utilizzano i dati sulla velocità delle boe per prevedere le correnti oceaniche e identificare le “divergenze” in cui l’acqua sale in superficie o sprofonda più in profondità.

Per stimare le correnti e trovare le divergenze, gli oceanografi hanno usato una tecnica di machine learning 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 assunzioni sui dati per generare una previsione.

Un modo standard di applicare un processo gaussiano ai dati oceanici assume che le componenti di latitudine e longitudine della corrente non siano correlate. Ma questa assunzione non è fisicamente accurata. Ad esempio, questo modello esistente implica che la divergenza di una corrente e la sua vorticità (un movimento rotatorio di fluidi) operino sulle stesse magnitudini e lunghezze. Gli scienziati oceanici sanno che questo non è vero, dice Broderick. Il modello precedente assume anche che il riferimento dell’assetto sia importante, il che significa che il fluido si comporterebbe diversamente nella direzione della latitudine rispetto a quella della longitudine.

“Pensavamo di poter affrontare questi problemi con un modello che incorpora la fisica”, afferma.

Hanno costruito un nuovo modello che utilizza ciò che è noto come decomposizione di Helmholtz per rappresentare accuratamente i principi della fluidodinamica. Questo metodo modella una corrente oceanica suddividendola in una componente di vorticità (che cattura il movimento rotatorio) e una componente di divergenza (che cattura l’acqua che sale o scende).

In questo modo, danno al modello una conoscenza di base della fisica che usa per fare previsioni più accurate.

Questo nuovo modello utilizza gli stessi dati del vecchio modello. E sebbene il loro metodo possa essere più intensivo dal punto di vista computazionale, i ricercatori dimostrano che il costo aggiuntivo è relativamente piccolo.

Prestazione galleggiante

Hanno valutato il nuovo modello utilizzando dati sintetici e reali delle boe oceaniche. Poiché i dati sintetici sono stati fabbricati dai ricercatori, hanno potuto confrontare le previsioni del modello con le correnti e le divergenze della verità terrena. Ma la simulazione comporta assunzioni 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 una performance superiore per entrambi i compiti, la previsione delle correnti e l’identificazione delle divergenze, rispetto al processo gaussiano standard e un altro approccio di machine-learning che utilizzava una rete neurale. Ad esempio, in una simulazione che includeva un vortice adiacente ad una corrente oceanica, il nuovo metodo ha previsto correttamente l’assenza di divergenza mentre il precedente metodo del processo gaussiano e il metodo della rete neurale hanno entrambi previsto una divergenza con una confidenza molto alta.

La tecnica è anche in grado di identificare i vortici da un piccolo insieme 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 così come nello spazio. Inoltre, vogliono catturare meglio come il rumore influenza i dati, come i venti che a volte influenzano la velocità delle boe. Separare quel rumore dai dati potrebbe rendere il loro approccio più accurato.

“La nostra speranza è quella di prendere questo campo di velocità osservato rumorosamente dalle boe, e poi dire qual è la vera divergenza e la vera vorticità, e prevedere lontano da quelle boe, e pensiamo che il nostro nuovo metodo sarà utile per questo”, dice.

“Gli autori integrano intelligentemente i comportamenti noti dalla dinamica dei fluidi per modellare le correnti oceaniche in un modello flessibile”, afferma Massimiliano Russo, biostatistico associato presso il Brigham e Women’s Hospital e istruttore presso la Harvard Medical School, che non ha partecipato a questo lavoro. “L’approccio risultante conserva la flessibilità per modellare la non linearità nelle correnti, ma può anche caratterizzare fenomeni come i vortici e le correnti connesse che sarebbero notati solo se la struttura dinamica dei fluidi viene integrata nel modello. Questo è un eccellente esempio di dove un modello flessibile può essere notevolmente migliorato con una specifica ben pensata e scientificamente solida”.

Questa ricerca è supportata dall’Ufficio della Ricerca Navale attraverso un programma Multi University Research Initiative (MURI) intitolato “Machine Learning for Submesoscale Characterization, Ocean Prediction, and Exploration (ML-SCOPE)”. È anche supportato in parte da una National Science Foundation (NSF) CAREER Award e dalla Rosenstiel School of Marine, Atmospheric, and Earth Science presso l’Università di Miami.