Chloé Moreau
Pour étudier les courants océaniques, les scientifiques lâchent des bouées balisées par GPS dans l’océan et enregistrent leurs vitesses pour reconstituer les courants qui les transportent. Ces données de bouée sont également utilisées pour identifier les «divergences», qui sont des zones où l’eau monte de sous la surface area ou coule en dessous.
En prédisant avec précision les courants et en identifiant les divergences, les scientifiques peuvent prévoir as well as précisément le temps qu’il fera, estimer la propagation du pétrole après un déversement ou mesurer le transfert d’énergie dans l’océan. Un nouveau modèle qui intègre l’apprentissage automatique fait des prédictions plus précises que les modèles conventionnels, rapporte une nouvelle étude.
Une équipe de recherche multidisciplinaire comprenant des informaticiens du MIT et des océanographes a découvert qu’un modèle statistique standard généralement utilisé sur les données des bouées peut avoir du mal à reconstruire avec précision les courants ou à identifier les divergences car or truck il fait des hypothèses irréalistes sur le comportement de l’eau.
Les chercheurs ont développé un nouveau modèle qui intègre les connaissances de la dynamique des fluides pour mieux refléter la physique à l’œuvre dans les courants océaniques. Ils montrent que leur méthode, qui ne nécessite que peu de dépenses de calcul supplémentaires, est in addition précise pour prédire les courants et identifier les divergences que le modèle traditionnel.
Ce nouveau modèle pourrait aider les océanographes à faire des estimations moreover précises à partir des données des bouées, ce qui leur permettrait de surveiller as well as efficacement le transport de la biomasse (comme les algues sargasses), du carbone, des plastiques, du pétrole et des nutriments dans l’océan. Ces informations sont également importantes pour comprendre et suivre les changements climatiques.
“Notre méthode seize les hypothèses physiques de manière plus appropriée et in addition précise. Dans ce cas, nous connaissons déjà une grande partie de la physique. Nous donnons au modèle un peu de ces informations afin qu’il puisse se concentrer sur l’apprentissage des choses qui sont importantes pour nous. comme quels sont les courants qui s’éloignent des bouées, ou quelle est cette divergence et où se passe-t-elle ?” dit l’auteur principal Tamara Broderick, professeur associé au Département de génie électrique et d’informatique (EECS) du MIT et membre du Laboratoire des systèmes d’information et de décision et de l’Institut des données, des systèmes et de la société.
Les co-auteurs de Broderick incluent l’auteur principal Renato Berlinghieri, un étudiant diplômé en génie électrique et en informatique Brian L. Trippe, publish-doctorant à l’Université de Columbia David R. Burt et Ryan Giordano chercheur assistant en sciences atmosphériques et océaniques à l’Université de Californie à Los Angeles Tamay Özgökmen, professeur au Département des sciences océaniques de l’Université de Miami et Junfei Xia, étudiant diplômé à l’Université de Miami. La recherche sera présentée à la Conférence internationale sur l’apprentissage automatique.
Plonger dans les données
Les océanographes utilisent les données sur la vitesse des bouées pour prédire les courants océaniques et identifier les «divergences» où l’eau monte à la surface ou s’enfonce as well as profondément.
Pour estimer les courants et trouver les divergences, les océanographes ont utilisé une strategy d’apprentissage automatique connue sous le nom de processus gaussien, qui peut faire des prédictions même lorsque les données sont rares. Pour bien fonctionner dans ce cas, le processus gaussien doit faire des hypothèses sur les données pour générer une prédiction.
Une manière typical d’appliquer un processus gaussien aux données océaniques suppose que les composantes de latitude et de longitude du courant ne sont pas liées. Mais cette hypothèse n’est pas physiquement exacte. Par exemple, ce modèle existant implique que la divergence d’un courant et sa vorticité (un mouvement tourbillonnant de fluide) opèrent sur les mêmes échelles d’amplitude et de longueur. Les océanologues savent que ce n’est pas vrai, dit Broderick. Le modèle précédent suppose également que le cadre de référence est critical, ce qui signifie que le fluide se comporterait différemment dans la course de la latitude par rapport à la path de la longitude.
“Nous pensions que nous pourrions résoudre ces problèmes avec un modèle qui intègre la physique”, dit-elle.
Ils ont construit un nouveau modèle qui utilise ce qu’on appelle une décomposition de Helmholtz pour représenter avec précision les principes de la dynamique des fluides. Cette méthode modélise un courant océanique en le décomposant en une composante de vorticité (qui capte le mouvement tourbillonnant) et une composante de divergence (qui capte la montée ou la descente de l’eau).
De cette façon, ils donnent au modèle des connaissances de base en physique qu’il utilise pour faire des prédictions as well as précises.
Ce nouveau modèle utilise les mêmes données que l’ancien modèle. Et bien que leur méthode puisse être plus gourmande en calculs, les chercheurs montrent que le coût supplémentaire est relativement faible.
Des performances dynamiques
Ils ont évalué le nouveau modèle à l’aide de données synthétiques et réelles de bouées océaniques. Parce que les données synthétiques ont été fabriquées par les chercheurs, ils ont pu comparer les prédictions du modèle aux courants et divergences de la vérité au sol. Mais la simulation implique des hypothèses qui peuvent ne pas refléter la vie réelle, de sorte que les chercheurs ont également testé leur modèle en utilisant des données capturées par de vraies bouées larguées dans le golfe du Mexique.
Dans chaque cas, leur méthode a démontré des performances supérieures pour les deux tâches, prédisant les courants et identifiant les divergences, par rapport au processus gaussien normal et à une autre approche d’apprentissage automatique utilisant un réseau de neurones. Par exemple, dans une simulation qui incluait un vortex adjacent à un courant océanique, la nouvelle méthode n’a prédit correctement aucune divergence tandis que la méthode précédente du processus gaussien et la méthode du réseau neuronal prédisaient toutes deux une divergence avec une très grande confiance.
La strategy est également efficace pour identifier les tourbillons à partir d’un petit ensemble de bouées, ajoute Broderick.
Maintenant qu’ils ont démontré l’efficacité de l’utilisation d’une décomposition de Helmholtz, les chercheurs souhaitent intégrer un élément temporel dans leur modèle, car les courants peuvent varier dans le temps comme dans l’espace. De additionally, ils veulent mieux saisir l’impact du bruit sur les données, comme les vents qui affectent parfois la vitesse des bouées. Séparer ce bruit des données pourrait rendre leur approche in addition précise.
“Notre espoir est de prendre ce champ de vitesses observé bruyamment à partir des bouées, puis de dire quelle est la divergence réelle et le tourbillon réel, et de prédire loin de ces bouées, et nous pensons que notre nouvelle method sera utile pour cela,” elle dit.
Cette recherche est soutenue, en partie, par l’Office of Naval Study, un prix Job de la Countrywide Science Basis (NSF) et la Rosenstiel Faculty of Maritime, Atmospheric, and Earth Science de l’Université de Miami.
