研究洋流的更好方法

为了研究洋流，科学家们在海洋中释放带有 GPS 标记的浮标并记录它们的速度以重建输送它们的洋流。这些浮标数据还用于识别“分歧”，即水从水面以下上升或下沉的区域。

通过准确预测洋流和查明分歧，科学家们可以更准确地预测天气，估计石油泄漏后的扩散方式，或测量海洋中的能量转移。一项新的研究报告称，一种结合机器学习的新模型比传统模型做出更准确的预测。

包括麻省理工学院计算机科学家和海洋学家在内的多学科研究团队发现，通常用于浮标数据的标准统计模型可能难以准确重建水流或识别差异，因为它对水的行为做出了不切实际的假设。

研究人员开发了一种新模型，该模型结合了流体动力学知识，以更好地反映洋流中的物理现象。他们表明，他们的方法只需要少量的额外计算费用，在预测电流和识别分歧方面比传统模型更准确。

这个新模型可以帮助海洋学家根据浮标数据做出更准确的估计，从而使他们能够更有效地监测海洋中生物量(如马尾藻)、碳、塑料、石油和营养物质的运输。该信息对于理解和跟踪气候变化也很重要。

“我们的方法更恰当、更准确地捕捉了物理假设。在这种情况下，我们已经了解了很多物理知识。我们正在向模型提供一些信息，以便它可以专注于学习对我们来说很重要的事情，比如远离浮标的水流是什么，或者这种差异是什么以及它发生在哪里?” 资深作者 Tamara Broderick 说，他是麻省理工学院电气工程与计算机科学系 (EECS) 的副教授，也是信息与决策系统实验室和数据、系统与社会研究所的成员。

Broderick 的合著者包括主要作者 Renato Berlinghieri，他是一名电气工程和计算机科学研究生;Brian L. Trippe，哥伦比亚大学博士后;David R. Burt 和 Ryan Giordano，麻省理工学院博士后;Kaushik Srinivasan，加州大学洛杉矶分校大气与海洋科学助理研究员;Tamay Özgökmen，迈阿密大学海洋科学系教授;和迈阿密大学的研究生夏俊飞。该研究将在 国际机器学习会议上发表。

深入研究数据

海洋学家使用浮标速度数据来预测洋流并确定水上升到表面或下沉更深的“分歧”。

为了估计洋流和发现分歧，海洋学家使用了一种称为高斯过程的机器学习技术，即使数据稀疏，它也可以做出预测。为了在这种情况下很好地工作，高斯过程必须对数据做出假设以生成预测。

将高斯过程应用于海洋数据的标准方法假设当前的纬度和经度分量不相关。但这个假设在物理上并不准确。例如，这个现有模型暗示电流的散度及其涡度(流体的旋转运动)在相同的幅度和长度尺度上运行。布罗德里克说，海洋科学家知道这不是真的。之前的模型还假设参考系很重要，这意味着流体在纬度和经度方向上的行为会有所不同。

“我们认为我们可以用一个结合物理学的模型来解决这些问题，”她说。

他们建立了一个新模型，该模型使用所谓的亥姆霍兹分解来准确表示流体动力学原理。该方法通过将洋流分解为涡量分量(捕捉旋转运动)和散度分量(捕捉水的上升或下沉)来模拟洋流。

通过这种方式，他们为模型提供了一些基本的物理知识，用于做出更准确的预测。

这个新模型使用与旧模型相同的数据。虽然他们的方法计算量更大，但研究人员表明额外成本相对较小。

活跃的表现

他们使用合成和真实海洋浮标数据评估了新模型。由于合成数据是由研究人员捏造的，因此他们可以将模型的预测与地面真实情况和分歧进行比较。但模拟涉及的假设可能无法反映现实生活，因此研究人员还使用墨西哥湾释放的真实浮标捕获的数据测试了他们的模型。

在每种情况下，与标准高斯过程和另一种使用神经网络的机器学习方法相比，他们的方法在预测电流和识别分歧这两个任务上都表现出卓越的性能。例如，在一个包含与洋流相邻的涡流的模拟中，新方法正确地预测没有发散，而之前的高斯过程方法和神经网络方法都以非常高的置信度预测发散。

Broderick 补充说，该技术还擅长从一小组浮标中识别涡流。

现在他们已经证明了使用 Helmholtz 分解的有效性，研究人员希望将时间元素纳入他们的模型，因为电流可以随时间和空间而变化。此外，他们希望更好地捕捉噪声如何影响数据，例如有时会影响浮标速度的风。从数据中分离出噪音可以使他们的方法更加准确。

“我们的希望是从浮标上获取这个嘈杂的观察速度场，然后说出实际的散度和实际涡度是多少，并远离那些浮标进行预测，我们认为我们的新技术将对此有所帮助，”她说。

这项研究部分得到了海军研究办公室、国家科学基金会 (NSF) 职业奖和迈阿密大学罗森斯蒂尔海洋、大气和地球科学学院的支持。