[ad_1]
Para estudiar las corrientes oceánicas, los científicos colocan en el mar boyas marcadas con GPS y registran sus velocidades para reconstruir las corrientes que las transportan. Los datos de esta boya también se utilizan para identificar «divergencias», que son áreas donde el agua sube o baja por debajo de la superficie.
Al predecir con precisión las corrientes y localizar las divergencias, los científicos pueden pronosticar con mayor precisión el clima, estimar la propagación del petróleo después de un derrame de petróleo o medir la transferencia de energía en el océano. Según un nuevo estudio, un nuevo modelo que incorpora el aprendizaje automático realiza predicciones más precisas que los modelos tradicionales.
Un equipo de investigación multidisciplinario compuesto por informáticos del MIT y oceanógrafos ha descubierto que un modelo estadístico estándar que normalmente se utiliza para datos de boyas puede tener dificultades para reconstruir con precisión las corrientes o identificar divergencias porque hace suposiciones poco realistas sobre cómo se comporta el agua.
Los investigadores desarrollaron un nuevo modelo que incorpora conocimientos de la dinámica de fluidos para reflejar mejor la física que actúa en las corrientes oceánicas. Muestran que su método, que requiere poco esfuerzo computacional adicional, es más preciso que el modelo tradicional a la hora de predecir flujos e identificar divergencias.
Este nuevo modelo podría ayudar a los oceanógrafos a realizar estimaciones más precisas utilizando datos de boyas, lo que les permitiría monitorear de manera más efectiva el transporte de biomasa (como las algas Sargassum), carbono, plásticos, petróleo y nutrientes en el océano. Esta información también es importante para comprender y rastrear el cambio climático.
“Nuestro método captura los supuestos físicos mejor y con mayor precisión. En este caso, ya conocemos la mayor parte de la física. Le damos al modelo una pequeña parte de esta información para que pueda centrarse en aprender las cosas que son importantes para nosotros, como las corrientes de las boyas o ¿qué es esta divergencia y dónde está sucediendo?”, dice la autora principal Tamara Broderick, asociada. profesor del Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) del MIT y miembro del Laboratorio de Sistemas de Información y Decisión y del Instituto de Datos, Sistemas y Sociedad.
Los coautores de Broderick incluyen al autor principal Renato Berlinghieri, estudiante de posgrado en ingeniería eléctrica e informática; Brian L. Trippe, becario postdoctoral de la Universidad de Columbia; David R. Burt y Ryan Giordano, postdoctorados del MIT; Kaushik Srinivasan, investigador asistente en Ciencias Atmosféricas y Marinas de la Universidad de California en Los Ángeles; Tamay Özgökmen, Profesora del Departamento de Ciencias Oceánicas de la Universidad de Miami; y Junfei Xia, estudiante de posgrado de la Universidad de Miami. La investigación se presentará en la Conferencia Internacional sobre Aprendizaje Automático.
Sumérgete en los datos
Los oceanógrafos utilizan datos de velocidad de las boyas para predecir las corrientes oceánicas e identificar «divergencias», donde el agua sube a la superficie o se hunde más profundamente.
Para estimar las corrientes y encontrar divergencias, los oceanógrafos han utilizado una técnica de aprendizaje automático conocida como proceso gaussiano, que puede hacer predicciones incluso con datos escasos. Para funcionar bien en este caso, el proceso gaussiano necesita hacer suposiciones sobre los datos para hacer una predicción.
Un método estándar para aplicar un proceso gaussiano a datos oceánicos supone que los componentes de latitud y longitud de la corriente no están relacionados. Pero esta suposición no es físicamente correcta. Por ejemplo, este modelo existente implica que la divergencia de un flujo y su fuerza de vórtice (un movimiento de vórtice del fluido) actúan en la misma magnitud y escala de longitud. Los oceanógrafos saben que eso no es cierto, dice Broderick. El modelo anterior también supone que el marco de referencia importa, lo que significa que el fluido se comportaría de manera diferente en las direcciones de latitud y longitud.
«Pensamos que podríamos abordar estos problemas con un modelo que incorpore la física», dice.
Construyeron un nuevo modelo que utiliza algo llamado descomposición de Helmholtz para representar con precisión los principios de la dinámica de fluidos. Este método modela una corriente oceánica descomponiéndola en un componente de vórtice (que captura el movimiento del vórtice) y un componente de divergencia (que captura agua ascendente o descendente).
De esta forma, proporcionan al modelo conocimientos físicos básicos que utiliza para realizar predicciones más precisas.
Este nuevo modelo utiliza los mismos datos que el modelo anterior. Y aunque su método puede ser más intensivo desde el punto de vista computacional, los investigadores muestran que el coste adicional es relativamente pequeño.
Actuación animada
Evaluaron el nuevo modelo utilizando datos de boyas marinas reales y sintéticos. Debido a que los datos sintéticos fueron producidos por los investigadores, pudieron comparar las predicciones del modelo con los flujos y divergencias reales. Sin embargo, debido a que la simulación requiere suposiciones que pueden no reflejar la vida real, los investigadores también probaron su modelo utilizando datos recopilados de boyas reales en el Golfo de México.
![Animación de un mapa del Golfo de México que muestra las trayectorias de unas 300 boyas, simbolizadas por puntos. Los puntos se mueven en el sentido de las agujas del reloj a medida que se expanden.](https://news.mit.edu/sites/default/files/images/inline/GLAD_drifter-1.gif)
Crédito de la foto: Consorcio para la Investigación Avanzada sobre Transporte de Hidrocarburos en el Medio Ambiente
En ambos casos, su método mostró un rendimiento superior tanto en las tareas de predecir flujos como en identificar divergencias en comparación con el proceso gaussiano estándar y otro enfoque de aprendizaje automático que utilizaba una red neuronal. Por ejemplo, en una simulación que involucra un remolino adyacente a una corriente oceánica, el nuevo método no predijo correctamente ninguna divergencia, mientras que el método del proceso gaussiano anterior y el método de la red neuronal predijeron la divergencia con un nivel de confianza muy alto.
La técnica también funciona bien para identificar remolinos utilizando un pequeño grupo de boyas, añade Broderick.
Ahora que han demostrado la eficacia de la descomposición de Helmholtz, los investigadores quieren incorporar un elemento de tiempo a su modelo, ya que los flujos pueden variar tanto en el tiempo como en el espacio. También quieren capturar mejor cómo el ruido afecta los datos, como los vientos que a veces afectan la velocidad de las boyas. Separar este ruido de los datos podría hacer que su enfoque sea más preciso.
«Nuestra esperanza es tomar ese campo de velocidad observado ruidosamente desde las boyas y luego decir cuál es la divergencia real y la fuerza del vórtice y predecirlo a partir de esas boyas y creemos que nuestra nueva técnica ayudará con eso», dice.
«Los autores integran hábilmente comportamientos bien conocidos de la dinámica de fluidos para modelar las corrientes oceánicas en un modelo flexible», dice Massimiliano Russo, bioestadístico asociado del Hospital Brigham and Women’s y profesor asociado de la Facultad de Medicina de Harvard, que no participó en este trabajo. . «El enfoque resultante conserva la flexibilidad para modelar la no linealidad de los flujos, pero también puede caracterizar fenómenos como remolinos y flujos asociados que sólo serían evidentes si la estructura dinámica de fluidos se integrara en el modelo». de cómo se puede mejorar significativamente un modelo flexible con una especificación bien pensada y basada en la ciencia”.
Esta investigación cuenta con el apoyo de la Oficina de Investigación Naval a través de un programa de Iniciativa de Investigación Multiuniversitaria (MURI) llamado Aprendizaje automático para caracterización submesoescala, predicción oceánica y exploración (ML-SCOPE). También cuenta con el apoyo parcial de un premio CAREER de la Fundación Nacional de Ciencias (NSF) y la Escuela Rosenstiel de Ciencias Marinas, Atmosféricas y Terrestres de la Universidad de Miami.
[ad_2]