Un nouveau modèle utilisant l'apprentissage automatique améliore les prévisions des courants océaniques

Massachusetts Institute of Technology

En vous abonnant, vous acceptez nos Conditions d'utilisation et Politiques Vous pouvez vous désabonner à tout moment.

Un modèle qui combine l'apprentissage automatique a été construit dans une étude récente par une équipe de recherche diversifiée, comprenant des informaticiens du MIT et des océanographes, pour prédire plus précisément les courants océaniques et identifier les divergences.

Les chercheurs ont découvert qu'en raison d'hypothèses erronées sur le comportement de l'eau, le modèle statistique conventionnel fréquemment appliqué aux données des bouées peine à produire des prédictions précises. Le nouveau modèle offre une représentation plus réaliste de la physique en jeu dans les courants océaniques en combinant les connaissances de la dynamique des fluides.

Les divergences doivent être identifiées et les prévisions des courants océaniques doivent être précises pour répondre aux marées noires, prévoir les conditions météorologiques et comprendre comment l'énergie est transférée dans l'océan.

Le modèle mis à jour peut rendre possible une surveillance plus précise du transport de la biomasse, de la dispersion du carbone, de la distribution des plastiques, du mouvement du pétrole et du flux de nutriments dans l'océan, ce qui pourrait améliorer considérablement les estimations tirées des données des bouées. De plus, ces données sont essentielles pour comprendre et surveiller le changement climatique.

Les chercheurs ont découvert que des hypothèses incorrectes avaient été faites concernant la relation entre les composantes de latitude et de longitude du courant en utilisant le processus gaussien conventionnel, une méthode d'apprentissage automatique utilisée pour prévoir les courants océaniques et identifier les divergences.

Le modèle existant utilisait la fausse hypothèse selon laquelle la vorticité et la divergence d'un courant se produisent sur les mêmes échelles de longueur et d'amplitude. Le nouveau modèle comprend cependant une décomposition de Helmholtz, qui divise le courant océanique en composantes de vorticité et de divergence, représentant précisément les lois de la dynamique des fluides.

En utilisant des données provenant de bouées océaniques synthétiques et réelles, les chercheurs ont évalué le nouveau modèle. Comparé au processus gaussien conventionnel et à une autre méthode d'apprentissage automatique utilisant un réseau de neurones, le nouveau modèle a mieux performé dans la prévision des courants et la reconnaissance des divergences par rapport aux vents et aux divergences réels. Les chercheurs ont également découvert qu'en utilisant la nouvelle technique, un petit groupe de bouées pourrait être utilisé pour identifier avec succès les tourbillons.

Les chercheurs prévoient d'ajouter une composante temporelle à leur modèle à l'avenir pour tenir compte des fluctuations temporelles des courants océaniques. Pour augmenter la précision du modèle, ils ont également l'intention d'améliorer sa capacité à faire la distinction entre les données et le bruit, comme les influences du vent.

Les chercheurs ont l'intention d'augmenter les capacités du modèle à prévoir les courants et les divergences loin des bouées, améliorant ainsi leur compréhension de la dynamique des océans.

Les spécialistes de terrain ont fait l'éloge de la nouvelle méthode des chercheurs, qui incluait des comportements de dynamique des fluides bien connus dans un modèle adaptable. Le biostatisticien associé au Brigham and Women's Hospital, Massimiliano Russo, applaudit l'étude pour ses spécifications scientifiquement solides et sa capacité à améliorer l'adaptabilité et la précision de la modélisation existante.

La Rosenstiel School of Marine, Atmospheric, and Earth Science de l'Université de Miami, l'Office of Naval Research et un NSF CAREER Award ont tous financé cette étude.

Les résultats de cette étude, qui mettent en évidence l'influence potentielle du nouveau modèle sur la recherche et les applications océanographiques, seront présentés lors de la Conférence internationale sur l'apprentissage automatique.

Résumé de l'étude :

Les océanographes s'intéressent à la prévision des courants océaniques et à l'identification des divergences dans un champ de vecteurs de courant sur la base d'observations éparses des vitesses des bouées. Puisque nous nous attendons à ce que la dynamique actuelle soit lisse mais hautement non linéaire, les processus gaussiens (GP) offrent un modèle attrayant. Mais nous montrons que l'application d'un GP avec un noyau stationnaire standard directement aux données de bouée peut avoir des difficultés à la fois pour la prédiction actuelle et l'identification des divergences - en raison de certaines hypothèses antérieures physiquement irréalistes. Pour mieux refléter les propriétés physiques connues des courants, nous proposons à la place de mettre un noyau stationnaire standard sur les composantes divergentes et sans bouclage d'un champ vectoriel obtenu par une décomposition de Helmholtz. Nous montrons que, parce que cette décomposition se rapporte au champ vectoriel d'origine uniquement via des dérivées partielles mixtes, nous pouvons toujours effectuer une inférence étant donné les données d'origine avec seulement un petit multiple constant de dépenses de calcul supplémentaires. Nous illustrons les bénéfices de notre méthode sur des données océaniques synthétiques et réelles.