imagen./ Adam Zewé | Oficina de noticias del MIT

Para estudiar las corrientes oceánicas, los científicos lanzan boyas con GPS en el océano y registran sus velocidades para reconstruir las corrientes que las transportan. Estos datos de boyas también se utilizan para identificar "divergencias", que son áreas donde el agua se eleva desde debajo de la superficie o se hunde debajo de ella.

Al predecir con precisión las corrientes y señalar las divergencias, los científicos pueden pronosticar el clima con mayor precisión, aproximarse a cómo se esparcirá el petróleo después de un derrame o medir la transferencia de energía en el océano. Un nuevo modelo que incorpora el aprendizaje automático hace predicciones más precisas que los modelos convencionales, informa un nuevo estudio.

Un equipo de investigación multidisciplinario que incluye científicos informáticos del MIT y oceanógrafos descubrió que un modelo estadístico estándar que se usa típicamente en datos de boyas puede tener dificultades para reconstruir con precisión las corrientes o identificar divergencias porque hace suposiciones poco realistas sobre el comportamiento del agua.

Los investigadores desarrollaron un nuevo modelo que incorpora el conocimiento de la dinámica de fluidos para reflejar mejor la física en el trabajo en las corrientes oceánicas. Muestran que su método, que solo requiere una pequeña cantidad de gasto computacional adicional, es más preciso para predecir corrientes e identificar divergencias que el modelo tradicional.

Este nuevo modelo podría ayudar a los oceanógrafos a realizar estimaciones más precisas a partir de los datos de las boyas, lo que les permitiría monitorear de manera más efectiva el transporte de biomasa (como el alga Sargassum), carbono, plásticos, petróleo y nutrientes en el océano. Esta información también es importante para comprender y rastrear el cambio climático.

“Nuestro método captura los supuestos físicos de manera más adecuada y precisa. En este caso, ya sabemos mucho de la física. Le estamos dando al modelo un poco de esa información para que pueda enfocarse en aprender las cosas que son importantes para nosotros, como cuáles son las corrientes que se alejan de las boyas, o qué es esta divergencia y dónde está sucediendo”. dice la autora principal Tamara Broderick, profesora asociada en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) del MIT y miembro del Laboratorio de Sistemas de Información y Decisión y del Instituto de Datos, Sistemas y Sociedad.

Los coautores de Broderick incluyen al autor principal Renato Berlinghieri, estudiante de posgrado en ingeniería eléctrica y ciencias de la computación; Brian L. Trippe, un postdoctorado en la Universidad de Columbia; David R. Burt y Ryan Giordano, posdoctorados del MIT; Kaushik Srinivasan, investigador asistente en ciencias atmosféricas y oceánicas de la Universidad de California en Los Ángeles; Tamay Özgökmen, profesor del Departamento de Ciencias Oceánicas de la Universidad de Miami; y Junfei Xia, estudiante de posgrado de la Universidad de Miami. La investigación se presentará en la Conferencia Internacional sobre Aprendizaje Automático.

Buceando en los datos

Los oceanógrafos usan datos sobre la velocidad de las boyas para predecir las corrientes oceánicas e identificar "divergencias" donde el agua sube a la superficie o se hunde más profundamente.

Para estimar las corrientes y encontrar divergencias, los oceanógrafos han utilizado una técnica de aprendizaje automático conocida como proceso gaussiano, que puede hacer predicciones incluso cuando los datos son escasos. Para que funcione bien en este caso, el proceso gaussiano debe hacer suposiciones sobre los datos para generar una predicción.

Una forma estándar de aplicar un proceso gaussiano a los datos de los océanos asume que los componentes de latitud y longitud de la corriente no están relacionados. Pero esta suposición no es físicamente exacta. Por ejemplo, este modelo existente implica que la divergencia de una corriente y su vorticidad (un movimiento giratorio del fluido) operan en las mismas escalas de magnitud y longitud. Los científicos del océano saben que esto no es cierto, dice Broderick. El modelo anterior también asume que el marco de referencia es importante, lo que significa que el fluido se comportaría de manera diferente en la dirección de latitud y longitud.

“Estábamos pensando que podríamos abordar estos problemas con un modelo que incorpora la física”, dice ella.

Construyeron un nuevo modelo que utiliza lo que se conoce como descomposición de Helmholtz para representar con precisión los principios de la dinámica de fluidos. Este método modela una corriente oceánica descomponiéndola en un componente de vorticidad (que captura el movimiento giratorio) y un componente de divergencia (que captura el agua que sube o se hunde).

De esta manera, le dan al modelo algunos conocimientos básicos de física que utiliza para hacer predicciones más precisas.

Este nuevo modelo utiliza los mismos datos que el modelo anterior. Y aunque su método puede ser más intensivo desde el punto de vista computacional, los investigadores muestran que el costo adicional es relativamente pequeño.

Rendimiento boyante

Evaluaron el nuevo modelo utilizando datos de boyas oceánicas sintéticas y reales. Debido a que los datos sintéticos fueron fabricados por los investigadores, pudieron comparar las predicciones del modelo con las corrientes y divergencias reales. Pero la simulación implica suposiciones que pueden no reflejar la vida real, por lo que los investigadores también probaron su modelo utilizando datos capturados por boyas reales lanzadas en el Golfo de México.

Esto muestra las trayectorias de aproximadamente 300 boyas lanzadas durante el Gran Despliegue LAgrangiano (GLAD) en el Golfo de México en el verano de 2013, para aprender sobre las corrientes superficiales del océano alrededor del sitio del derrame de petróleo de Deepwater Horizon. Las rotaciones pequeñas y regulares en el sentido de las agujas del reloj se deben a la rotación de la Tierra.

Crédito: Consorcio de Investigación Avanzada para el Transporte de Hidrocarburos en el Medio Ambiente

En cada caso, su método demostró un rendimiento superior para ambas tareas, prediciendo corrientes e identificando divergencias, en comparación con el proceso gaussiano estándar y otro enfoque de aprendizaje automático que utilizó una red neuronal. Por ejemplo, en una simulación que incluía un vórtice adyacente a una corriente oceánica, el nuevo método predijo correctamente que no había divergencia, mientras que el método del proceso gaussiano anterior y el método de la red neuronal predijeron una divergencia con una confianza muy alta.

La técnica también es buena para identificar vórtices de un pequeño conjunto de boyas, agrega Broderick.

Ahora que han demostrado la eficacia del uso de una descomposición de Helmholtz, los investigadores quieren incorporar un elemento de tiempo en su modelo, ya que las corrientes pueden variar tanto en el tiempo como en el espacio. Además, quieren capturar mejor cómo el ruido afecta los datos, como los vientos que a veces afectan la velocidad de la boya. Separar ese ruido de los datos podría hacer que su enfoque sea más preciso.

“Nuestra esperanza es tomar este campo de velocidades de las boyas que se observa ruidosamente, y luego decir cuál es la divergencia real y la vorticidad real, y predecir a partir de esas boyas, y creemos que nuestra nueva técnica será útil para esto”, dijo. dice.

"Los autores integran hábilmente comportamientos conocidos de la dinámica de fluidos para modelar las corrientes oceánicas en un modelo flexible", dice Massimiliano Russo, bioestadístico asociado del Brigham and Women´s Hospital e instructor de la Facultad de Medicina de Harvard, que no participó en este trabajo. “El enfoque resultante conserva la flexibilidad para modelar la no linealidad de las corrientes, pero también puede caracterizar fenómenos como vórtices y corrientes conectadas que solo se notarían si la estructura dinámica de fluidos se integra en el modelo. Este es un excelente ejemplo de cómo un modelo flexible puede mejorarse sustancialmente con una especificación bien pensada y científicamente sólida”.

Esta investigación cuenta con el apoyo, en parte, de la Oficina de Investigación Naval, un premio CAREER de la Fundación Nacional de Ciencias (NSF) y la Escuela Rosenstiel de Ciencias Marinas, Atmosféricas y de la Tierra de la Universidad de Miami.

Autor

Autor

MIT

Promover la investigación, las innovaciones, la enseñanza y los eventos y las personas de interés periodístico del MIT a la comunidad del campus, los medios de comunicación y el público en general, Comunicar anuncios del Instituto, Publicar noticias de la comunidad para profesores, estudiantes, personal y ex alumnos del MIT. Proporcionar servicios de medios a los miembros de la comunidad, incluido el asesoramiento sobre cómo trabajar con periodistas, Responder a consultas de los medios y solicitudes de entrevistas...