MIT’deki bilgisayar bilimcileri, okyanus akıntılarının hızları hakkında daha doğru tahminler oluşturmak için akışkanlar dinamiğinden elde edilen bilgileri birleştiren bir makine öğrenimi modeli geliştirmek için oşinograflarla güçlerini birleştirdi. Bu şekil, Meksika Körfezi’ndeki yüzey akıntıları üzerine bindirilmiş sürüklenen şamandıra yörüngelerini göstermektedir. Kırmızı noktalar şamandıraların 9 Mart 2016’daki konumlarını gösteriyor ve kuyruklar 14 gün uzunluğunda. Kredi: Miami Üniversitesi’nden Edward Ryan ve Tamay Özgökmen
Yeni bir makine öğrenimi modeli, okyanus akıntıları hakkında daha doğru tahminler yapıyor ve bu, plastik kirliliğinin ve petrol sızıntılarının izlenmesine yardımcı olabilir ve arama ve kurtarmaya yardım.
Bilim adamları, okyanus akıntılarını incelemek için okyanusa GPS etiketli şamandıralar salıyor ve onları taşıyan akıntıları yeniden oluşturmak için hızlarını kaydediyor. Bu şamandıra verileri ayrıca, suyun yüzeyin altından yükseldiği veya altına battığı alanlar olan “farklılıkları” belirlemek için de kullanılır.
Bilim adamları, akıntıları doğru bir şekilde tahmin ederek ve sapmaları tam olarak belirleyerek, hava durumunu daha kesin olarak tahmin edebilir, Bir dökülmeden sonra petrolün yaklaşık olarak nasıl yayılacağını tahmin edin veya okyanustaki enerji transferini ölçün. Yeni bir çalışma raporuna göre, makine öğrenimini içeren yeni bir model, geleneksel modellerden daha doğru tahminler yapıyor.
MIT’deki bilgisayar bilimcileri ve oşinograflardan oluşan çok disiplinli bir araştırma ekibi, tipik olarak şamandıra verilerinde kullanılan standart bir istatistiksel modelin olduğunu buldu. suyun davranışı hakkında gerçekçi olmayan varsayımlar yaptığı için akıntıları doğru bir şekilde yeniden oluşturmakta veya sapmaları belirlemekte zorlanabilir.
Araştırmacılar, okyanus akıntılarında işleyen fiziği daha iyi yansıtmak için akışkanlar dinamiğinden elde edilen bilgileri birleştiren yeni bir model geliştirdiler. Yalnızca küçük bir ek hesaplama masrafı gerektiren yöntemlerinin, akıntıları tahmin etmede ve sapmaları belirlemede geleneksel modele göre daha doğru olduğunu gösteriyorlar.
Bu yeni model, oşinografların şamandıra verilerinden daha doğru tahminler yapmasına yardımcı olabilir. Bu da onların okyanustaki biyokütle (Sargassum deniz yosunu gibi), karbon, plastik, yağ ve besin maddelerinin taşınmasını daha etkin bir şekilde izlemelerini sağlayacaktı. Bu bilgi, iklim değişikliğini anlamak ve izlemek için de önemlidir.
“Bizim yöntemimiz fiziksel varsayımları daha uygun ve daha doğru bir şekilde yakalıyor. Bu durumda, fiziğin çoğunu zaten biliyoruz. Şamandıralardan uzaktaki akıntılar nelerdir veya bu sapma nedir ve nerede oluyor gibi bizim için önemli olan şeyleri öğrenmeye odaklanabilmesi için modele bu bilgilerin bir kısmını veriyoruz. diyor MIT’nin Elektrik Mühendisliği ve Bilgisayar Bilimleri Bölümü’nde (EECS) doçent ve Bilgi ve Karar Sistemleri Laboratuvarı ile Veri, Sistemler ve Toplum Enstitüsü üyesi kıdemli yazar Tamara Broderick.
Broderick’s ortak yazarlar arasında elektrik mühendisliği ve bilgisayar bilimleri lisansüstü öğrencisi olan baş yazar Renato Berlinghieri; Columbia Üniversitesi’nde postdoc olan Brian L. Trippe; David R. Burt ve Ryan Giordano, MIT doktora sonrası; Los Angeles’taki California Üniversitesi’nde atmosfer ve okyanus bilimlerinde yardımcı araştırmacı olan Kaushik Srinivasan; Miami Üniversitesi Okyanus Bilimleri Bölümü öğretim üyesi Tamay Özgökmen; ve Miami Üniversitesi’nde yüksek lisans öğrencisi olan Junfei Xia. Araştırma, Uluslararası Makine Öğrenimi Konferansı’nda sunulacak.
Verilere derinlemesine bakma
Oşinograflar, okyanus akıntılarını tahmin etmek ve suyun yüzeye çıktığı yerlerde “farklılıkları” belirlemek için şamandıra hızı verilerini kullanır. veya daha derine iner.
Oşinograflar, akıntıları tahmin etmek ve sapmaları bulmak için Gauss süreci olarak bilinen ve veriler seyrek olduğunda bile tahminler yapabilen bir makine öğrenimi tekniği kullandılar. Bu durumda iyi çalışması için, Gauss sürecinin bir tahmin oluşturmak üzere veriler hakkında varsayımlar yapması gerekir.
Okyanus verilerine Gauss sürecini uygulamanın standart bir yolu, akıntının enlem ve boylam bileşenlerinin ilgisiz olduğunu varsayar. Ancak bu varsayım fiziksel olarak doğru değil. Örneğin, bu mevcut model, bir akımın ıraksamasının ve girdabının (sıvının dönme hareketi) aynı büyüklük ve uzunluk ölçeklerinde çalıştığını ima eder. Broderick, okyanus bilim adamlarının bunun doğru olmadığını bildiğini söylüyor. Önceki model aynı zamanda referans çerçevesini de varsayar, bu da sıvının enlem ve boylam yönünde farklı davranacağı anlamına gelir.
“Bu sorunları fiziği içeren bir modelle çözebileceğimizi düşünüyorduk,” dedi. diyor.
Akışkanlar dinamiği ilkelerini doğru bir şekilde temsil etmek için Helmholtz ayrıştırması olarak bilinen şeyi kullanan yeni bir model oluşturdular. Bu yöntem, bir okyanus akıntısını girdap bileşenine (dönme hareketini yakalayan) ve sapma bileşenine (suyun yükselmesini veya alçalmasını yakalayan) ayırarak modeller.
Bu şekilde, modele bazı temel bilgileri verirler. daha doğru tahminler yapmak için kullandığı fizik bilgisi.
Bu yeni model, eski modelle aynı verileri kullanır. Yöntemleri hesaplama açısından daha yoğun olabilse de, araştırmacılar ek maliyetin nispeten küçük olduğunu gösteriyor.
Canlı performans
Yeni modeli, sentetik ve gerçek okyanus şamandıra verilerini kullanarak değerlendirdiler. Sentetik veriler araştırmacılar tarafından üretildiğinden, modelin tahminlerini yer gerçeği akımları ve sapmalarla karşılaştırabilirler. Ancak simülasyon, gerçek hayatı yansıtmayabilecek varsayımlar içerdiğinden, araştırmacılar, Meksika Körfezi’ne salınan gerçek şamandıraların yakaladığı verileri kullanarak da modellerini test ettiler.
Her durumda, yöntemleri her iki görev için de üstün performans gösterdi. standart Gauss süreci ve bir sinir ağı kullanan başka bir makine öğrenimi yaklaşımı ile karşılaştırıldığında akımları tahmin etme ve sapmaları belirleme. Örneğin, bir okyanus akıntısına bitişik bir girdabı içeren bir simülasyonda, yeni yöntem sapma olmadığını doğru bir şekilde tahmin ederken, önceki Gauss süreci yöntemi ve sinir ağı yönteminin her ikisi de çok yüksek bir güvenle sapma tahmininde bulundu.
Broderick, tekniğin küçük bir şamandıra setinden girdapları belirlemede de iyi olduğunu ekliyor.
Artık bir Helmholtz ayrışımı kullanmanın etkinliğini göstermiş olan araştırmacılar, akımlar olduğundan, modellerine bir zaman öğesi eklemek istiyorlar. zamana ve mekana göre değişebilir. Ayrıca, bazen şamandıra hızını etkileyen rüzgarlar gibi gürültünün verileri nasıl etkilediğini daha iyi yakalamak istiyorlar. Bu gürültüyü verilerden ayırmak, yaklaşımlarını daha doğru hale getirebilir.
“Umudumuz, gürültüyle gözlemlenen bu hız alanını şamandıralardan alıp ardından gerçek sapmanın ve gerçek girdabın ne olduğunu söylemek ve tahminde bulunmaktır. Massimiliano Russo, “Yazarlar, esnek bir modelde okyanus akıntılarını modellemek için akışkan dinamiğinden bilinen davranışları akıllı bir şekilde entegre ediyor” diyor. Brigham and Women’s Hospital’da yardımcı biyoistatistikçi ve bu çalışmaya dahil olmayan Harvard Tıp Okulu’nda eğitmen. “Ortaya çıkan yaklaşım, akımlardaki doğrusal olmayan durumu modelleme esnekliğini koruyor, ancak aynı zamanda girdaplar ve bağlantılı akımlar gibi yalnızca akışkan dinamik yapı modele entegre edildiğinde fark edilebilecek olguları da karakterize edebiliyor. Bu, esnek bir modelin iyi düşünülmüş ve bilimsel olarak sağlam bir belirtimle önemli ölçüde geliştirilebileceği mükemmel bir örnektir.”
Referans: “Gauss süreçleri Helm(holtz): Okyanus akıntıları için daha akıcı bir model” yazan Renato Berlinghieri, Brian L. Trippe, David R. Burt, Ryan Giordano, Kaushik Srinivasan, Tamay Özgökmen, Junfei Xia ve Tamara Broderick, 20 Şubat 2023, İstatistikler > Metodoloji.
arXiv:2302.10364{ 4}
Bu araştırma, kısmen Office of Naval Research, bir Ulusal Bilim Vakfı (NSF) CAREER Ödülü ve Miami Üniversitesi’ndeki Rosenstiel Denizcilik, Atmosfer ve Yer Bilimleri Okulu tarafından desteklenmektedir.{4 }