機械学習を使用した新しいモデルが海流予測を改善します

マサチューセッツ工科大学

購読すると、当社の利用規約とポリシーに同意したものとみなされます。いつでも購読を解除できます。

マサチューセッツ工科大学のコンピューター科学者や海洋学者を含む多様な研究チームによる最近の研究では、海流をより正確に予測し、乖離を特定するために機械学習を組み合わせたモデルが構築されました。

研究者らは、水の挙動に関する誤った仮定が原因で、ブイのデータに頻繁に適用される従来の統計モデルでは正確な予測を生み出すことが困難であることを発見しました。 新しいモデルは、流体力学の知識を組み合わせることで、海流で作用する物理学のより現実的な描写を提供します。

石油流出への対応、天気の予測、海洋でのエネルギーの伝達方法を理解するには、乖離を特定し、海流の予測を正確にする必要があります。

更新されたモデルにより、海洋におけるバイオマスの輸送、炭素の分散、プラスチックの分布、石油の移動、および栄養塩の流れのより正確なモニタリングが可能になる可能性があり、ブイのデータから導き出される推定値が大幅に改善される可能性があります。 さらに、このデータは気候変動を把握し監視するために不可欠です。

研究者らは、海流の予測と発散の特定に使用される機械学習手法である従来のガウス過程を使用して、海流の緯度と経度の成分間の関係に関して誤った仮定が行われていることを発見した。

既存のモデルでは、電流の渦度と発散が同じ長さと大きさのスケールで発生するという誤った仮定が使用されていました。 ただし、新しいモデルにはヘルムホルツ分解が含まれており、海流を渦度成分と発散成分に分割し、流体力学の法則を正確に表します。

研究者らは、合成ブイと実際の海洋ブイの両方からのデータを利用して、新しいモデルを評価しました。 従来のガウス プロセスやニューラル ネットワークを使用した別の機械学習方法と比較して、新しいモデルは、グラウンド トゥルースの風と発散と比較した場合、潮流の予測と発散の認識において優れたパフォーマンスを発揮しました。 研究者らはまた、この新しい技術を使用すると、少数のブイのグループを使用して渦をうまく特定できる可能性があることも発見した。

研究者らは、海流の時間的変動を考慮して、将来的にモデルに時間要素を追加する予定です。 モデルの精度を高めるために、データと風の影響などのノイズを区別する機能も向上させる予定だ。

研究者らは、ブイから離れた場所での流れや分岐を予測するモデルの機能を強化し、最終的には海洋力学の理解を向上させる予定です。

分野の専門家は、よく知られた流体力学の挙動を適応可能なモデルに組み込んだ研究者の新しい手法を賞賛しています。 ブリガム アンド ウィメンズ病院の准生物統計学者マッシミリアノ ルッソ氏は、この研究の科学的に適切な仕様と、既存のモデリングの適応性と精度を向上させる能力を高く評価しています。

マイアミ大学ローゼンスティール海洋・大気・地球科学大学院、海軍研究局、および NSF CAREER Award はすべて、この研究に資金を提供しました。

この研究の結果は、海洋学の研究と応用に対する新しいモデルの潜在的な影響を強調しており、機械学習に関する国際会議で発表される予定です。

研究概要:

海洋学者は、ブイ速度のまばらな観測に基づいて海流を予測し、電流ベクトル場の発散を特定することに興味を持っています。 現在のダイナミクスは滑らかだが非線形性が高いと予想されるため、ガウス過程 (GP) は魅力的なモデルを提供します。 しかし、標準的な定常カーネルを備えた GP をブイ データに直接適用すると、物理的に非現実的な事前の仮定が原因で、電流予測と発散同定の両方で困難を伴う可能性があることを示します。 電流の既知の物理的特性をよりよく反映するために、ヘルムホルツ分解を通じて得られたベクトル場の発散成分とカールのない成分に標準的な定常カーネルを置くことを提案します。 この分解は混合偏微分だけを介して元のベクトル場に関連するため、元のデータが与えられた場合でも、小さな定数倍の追加の計算コストのみで推論を実行できることを示します。 合成海洋データと実際の海洋データに対するこの手法の利点を説明します。