Naukowcy z Massachusetts Institute of Technology (MIT) połączyli siły z oceanografami, aby opracować model uczenia maszynowego, który pozwala na dokładniejsze przewidywanie prędkości prądów oceanicznych. Nowy model wykorzystujący sztuczną inteligencję ma znaczące zastosowania – od śledzenia zanieczyszczeń plastikowych i wycieków ropy, przez pomoc w operacjach poszukiwawczo-ratunkowych, po przewidywanie pogody.
Studia nad prądami oceanicznymi a sztuczna inteligencja
W badaniach nad prądami oceanicznymi naukowcy używają boi wyposażonych w GPS, które wypuszczają na ocean, a następnie obserwują ich prędkość, aby odtworzyć prądy, które je transportują. Dane z boi są również wykorzystywane do identyfikowania „dywergencji”, czyli obszarów, w których woda wynurza się z głębin lub w nie zanurza. Dzięki precyzyjnemu przewidywaniu prądów i lokalizacji dywergencji, naukowcy mogą dokładniej prognozować pogodę, przewidywać rozprzestrzenianie się ropy po wycieku czy mierzyć transfer energii w oceanie.
Nowy model, który wykorzystuje uczenie maszynowe, pozwala na dokładniejsze prognozowanie prądów oceanicznych, niż dotychczas stosowane modele, wynika z najnowszych badań.
Sztuczna inteligencja i rewolucja w badaniu prądów oceanicznych
Standardowy model statystyczny, który jest zazwyczaj używany do analizy danych z boi, ma trudności z dokładnym odtworzeniem prądów lub identyfikacją dywergencji, ponieważ zakłada niewłaściwe zachowanie wody. Naukowcy z MIT i oceanografowie opracowali nowy model, który uwzględnia wiedzę z dynamiki płynów, aby lepiej odzwierciedlać fizykę prądów oceanicznych.
Model ten, który wymaga tylko niewielkiego dodatkowego obciążenia obliczeniowego, okazał się dokładniejszy w przewidywaniu prądów i identyfikowaniu dywergencji, niż tradycyjny model. Nowy model może pomóc oceanografom dokonywać bardziej precyzyjnych szacunków na podstawie danych z boi, co pozwoli im skuteczniej monitorować transport biomasy (takiej jak wodorosty Sargassum), węgla, tworzyw sztucznych, ropy i składników odżywczych w oceanie. Ta informacja jest również ważna dla zrozumienia i śledzenia zmian klimatu.
Zastosowanie modelu w praktyce
Nowy model testowano zarówno na syntetycznych, jak i rzeczywistych danych o bojach oceanicznych. W każdym przypadku metoda okazała się lepsza w obu zadaniach, zarówno w przewidywaniu prądów, jak i identyfikowaniu dywergencji, w porównaniu do standardowego procesu Gaussa i innego podejścia do uczenia maszynowego, które używało sieci neuronowych.
Teraz naukowcy planują wprowadzić element czasu do swojego modelu, ponieważ prądy mogą zmieniać się w czasie, jak również w przestrzeni. Ponadto chcą lepiej uwzględnić wpływ szumów na dane, takich jak wiatry, które czasami wpływają na prędkość boi. Oddzielając ten szum od danych, ich podejście może stać się jeszcze dokładniejsze.
Badania te są doskonałym przykładem, jak elastyczny model można znacząco ulepszyć dzięki właściwie przemyślanej i naukowo uzasadnionej specyfikacji. Wiedza z zakresu dynamiki płynów jest tu kluczowa i pozwala na modelowanie prądów oceanicznych w niezwykle efektywny sposób.
Więcej na temat zastosowania AI w nauce przeczytasz tutaj.
