Машинное обучение выявляет связи между океанами мира

Океанографы, изучающие физику Мирового океана, давно столкнулись с проблемой: динамические балансы жидкости могут сильно различаться от точки к точке, что затрудняет глобальные обобщения. Такой анализ требует обработки миллиардов точек данных по температуре, солёности, скорости и другим параметрам. Мейке Зонневальд, океанограф и специалист по науке о данных из MIT, применила алгоритм машинного обучения, чтобы выявить в океане области со схожей физикой.

Используя 20-летнюю климатическую оценку состояния океана ECCO, основанную на миллиардах наблюдений, и алгоритм K-средних, исследователи определили, что 93,7% глобального океана можно разделить на пять динамически согласованных регионов. Например, в крупнейшем кластере, занимающем 43% океана, доминирующим физическим процессом является баланс ветрового напряжения на поверхности и придонных моментов сил. Оставшиеся 6,3% были идентифицированы как слишком сложные для простого описания.

"Это удивительно, потому что это так просто, — говорит Зонневальд. — Оно берёт действительно сложный мировой океан и сводит его к нескольким важным паттернам". Это упростит анализ и поможет сосредоточить исследования на ключевых областях. Как отмечает соавтор Карл Вунш, это также позволит учёным, работающим в схожих по физике регионах, эффективнее сотрудничать и сравнивать результаты.

В качестве следующего шага Зонневальд планирует запустить тот же метод на данных с более высоким разрешением, чтобы детально изучить оставшиеся 6,3%, сосредоточившись на опрокидывающей и круговой циркуляции, чувствительных к изменению климата. Исследование демонстрирует потенциал совместной работы океанографов и специалистов по данным для выявления новых закономерностей. "Это похоже на строительство моста между машинным обучением и океанографией", — заключает Зонневальд.