Модель машинного обучения делает более точные прогнозы океанских течений

Исследователи из MIT и их коллеги-океанографы разработали новую модель, которая с помощью машинного обучения точнее предсказывает океанские течения и определяет зоны дивергенции (подъема или опускания воды) по данным GPS-буев. Модель превосходит традиционные методы, так как в нее заложены принципы гидродинамики.

Точный прогноз течений и зон дивергенции критически важен для прогнозирования погоды, моделирования разливов нефти, отслеживания переноса биомассы (например, саргассовых водорослей), углерода, пластика и питательных веществ, а также для понимания климатических изменений. Новая модель, требующая лишь небольших дополнительных вычислительных затрат, позволяет получать более точные оценки по данным буев.

«Наш метод точнее и уместнее учитывает физические допущения. Мы даем модели часть уже известной физической информации, чтобы она могла сосредоточиться на изучении того, что важно для нас: например, на определении течений вдали от буев или на выявлении дивергенции и ее местоположения», — поясняет старший автор Тамара Бродерик, доцент MIT.

Как это работает

В отличие от стандартного статистического подхода (Гауссовского процесса), который предполагает независимость широтной и долготной составляющих течения и не отражает реальной физики, новая модель использует разложение Гельмгольца. Этот метод разделяет поле течения на компоненты вихря (завихренное движение) и дивергенции (подъем/опускание), что соответствует известным законам гидродинамики.

Модель была протестирована на синтетических и реальных данных буев из Мексиканского залива. В обоих случаях она показала более высокую точность в прогнозировании течений и определении дивергенций по сравнению со стандартным Гауссовским процессом и нейросетевым подходом. Например, в одном из моделирований новая модель верно предсказала отсутствие дивергенции у вихря, тогда как другие методы ошибочно указали на нее с высокой уверенностью.

В планах исследователей — учесть временную изменчивость течений и влияние шумов (например, от ветра) на данные буев, чтобы повысить точность модели.