MIT科学家：机器学习模型对洋流做出更准确的预测

为了研究洋流，科学家们在海洋中释放带有GPS标签的浮标，并记录它们的速度，以重建运输它们的洋流。这些浮标数据还用于识别“辐散辐聚”，即水从水面以下上升或下沉的区域。一项新的研究报告称，一种结合了机器学习的新模型比传统模型做出了更准确的预测。

这一新模型可以帮助海洋学家从浮标数据中做出更准确的估计，这将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。这些信息对于理解和跟踪气候变化也很重要。

2016年3月9日，墨西哥湾漂浮浮标的轨迹叠加在表面洋流上。红点标记了浮标的位置。来自：迈阿密大学的Edward Ryan和TamayÖzgökmen

“我们的方法更恰当、更准确地捕捉到了物理假设。在这种情况下，我们已经了解了很多物理知识。我们正在给模型提供一点信息，这样它就可以专注于学习对我们来说很重要的事情，比如远离浮标的洋流是什么，它发生在哪里？”资深作者塔玛拉·布罗德里克说，他是麻省理工学院电气工程与计算机科学系副教授，信息与决策系统实验室和数据、系统与社会研究所成员。这项研究将在国际机器学习大会上发表，并在arXiv上以预印本的形式提供。

为了估计洋流并发现辐散辐聚，海洋学家使用了一种被称为高斯过程的机器学习技术，即使在数据稀疏的情况下也可以进行预测。为了在这种情况下很好地工作，高斯过程必须对数据进行假设以生成预测。将高斯过程应用于海洋数据的标准方法假设洋流的纬度和经度分量不相关。但这个假设在物理上并不准确。

2013年夏天在墨西哥湾进行的大拉格兰吉部署（GLAD）期间释放的大约300个浮标的轨迹，以了解深水地平线漏油现场周围的海面洋流。小的、有规律的顺时针旋转是由于地球的自转造成的。来自CARTHE Consortium

因此，他们建立了一个新的模型，使用所谓的亥姆霍兹分解来准确地表示流体动力学的原理。这种方法通过将洋流分解为涡度分量（捕捉旋转运动）和散度分量（捕捉水的上升或下沉）来对洋流进行建模。

通过这种方式，他们为模型提供了一些基本的物理知识，用于进行更准确的预测。

这个新模型使用了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，额外的成本相对较小。

整理：中气爱

来源：https://arxiv.org/abs/2302.10364