Nově vyvinutý model využívající strojové učení přináší revoluci v získávání informací o oceánských proudech

Nově vyvinutý model využívající strojové učení umožňuje přesnější předpovědi pohybu oceánských proudů, díky čemuž lze lépe predikovat dopady globálního oteplování, pohyby biomasy (řas), plastů a ropných úniků

Jak tento proces probíhá, a co díky němu lze zjistit?

Při studiu oceánských proudů vědci používají speciální bójky s GPS-označením, díky nimž lze zaznamenávat rychlost bójky. Bójky se následně vypouštějí do jednotlivých proudů a zaznamenávají se informace, jež poté slouží k rekonstruování proudů neboli určování jejich trajektorií a stavu. Kromě toho pomocí získaných údajů lze identifikovat tzv. „divergence“ neboli oblasti, kde voda stoupá z pod hladiny nebo pod ní klesá.

Díky přesným předpovědím proudů a určování jejich divergencí mohou vědci přesněji předpovídat počasí, odhadovat šíření ropných skvrn po jejich úniku, nebo měřit přenosy energií a živin v oceánu. Nový model, který je postaven na bázi strojového učení, tak poskytuje přesnější predikce než jeho předchůdci, a tudíž vědcům umožňuje lépe analyzovat a předpovídat pohyby proudů do budoucna.

V čem zaostával původní model a v čem ho strojové učení předčí?

Multidisciplinární výzkumný tým zahrnující počítačové vědce z MIT a oceánografy zjistil problémovost standardního statistického modelu, který se běžně používal u dat z bójek. Mezi hlavní komplikace patřili např. schopnosti předpovídání rekonstrukce proudů nebo identifikace divergencí. Model totiž vycházel z nerealistických předpokladů o chování vody.

Vědci proto vyvinuly nový model, který na rozdíl od modelu předešlého, disponuje kvalitativnějšími poznatky o dynamice tekutin, tedy o tom, jak se hladiny oceánů chovají a pohybují, a jakých vlastností během toho nabývají. Nový model je proto schopný lépe odrážet fyzikální zákonitosti oceánských proudů, a navíc vyžaduje jen malé dodatečné výpočetní náklady než tradiční model.

Nový model by tak mohl pomoci oceánografům přesnější predikce a vývojové grafy, na základě údajů z bójek, které by poté byli zpracovávány řadou algoritmů za účelem získání nejlepších možných výsledků. Na základě získaných výsledků by poté bylo možné v přehledné formě sledovat transporty biomasy (např. mořských řas Sargassum, které zásadně ovlivňují mořský ekosystém), uhlíku, plastů, ropy a živin v oceánu. Kromě toho jsou tyto informace klíčové pro sledování a pochopení systému globálních klimatických změn.

„Naše metoda dokáže zachycovat fyzikální předpoklady s mnohem větší přesností. V dnešní době se nám dostává velkého poznání na poli fyziky, díky čemuž jsme schopní natrénovat nový model, tak aby co nejvíce odpovídal reálnému světu. Modelu dáváme zlomek těchto informací, aby se mohl natrénovat především na elementech, které jsou pro nás důležité. Například, v jakém stavu proudy jsou, i když na nich nemáme bójku nebo co jsou to divergence a kde k nim dochází,“ říká hlavní autorka Tamara Brodericková, docentka na katedře elektrotechniky a informatiky MIT (EECS). 

Jak jsou data využívána a zpracovávána?

Oceánografové využívají informace ohledně rychlostí bójek k předpovědi oceánských proudů a identifikaci „divergencí“, kdy voda stoupá směrem k hladině nebo naopak klesá hlouběji.

K odhadování pohybu proudů a hledání divergencí byla používána technika strojového učení pod názvem Gaussův proces. Díky ní bylo možné předpovídat pohyby proudů i v případě, kdy se např. z důvodu rušivých elementů, nemohlo získat dostatek dat. Aby Gaussův proces fungoval správně, musí při vytváření predikcí vycházet z předpokladů o datech neboli o předpovědi toho, jak by se data mohli v následujícím čase vyvíjet a měnit.

Standardní způsob použití Gaussova procesu na údaje o oceánech předpokládá, že složky proudu týkající se zeměpisné šířky a délky spolu nesouvisejí. Jak mnozí oceánografové však vědí, tento předpokládat není zcela fyzikálně správný. Gaussův proces se také chybně domnívá, že záleží na referenčním rámci, tzn. že tekutina by se měla chovat jinak ve směru zeměpisné šířky (horizontálně) a jinak ve směru zeměpisné délky (vertikálně). V tomto případě by se voda mohla pohybovat jinak ve směru východ-západ než ve směru sever-jih v závislosti na zvoleném referenčním rámci, což však není fyzikálně správně. Voda by se totiž měla chovat podle zákonů fyziky a fluidní dynamiky, které nejsou závislé na zvoleném referenčním rámci.

„Mysleli jsme si, že bychom těmto problémům mohli čelit kdybychom vytvořili model, který by byl schopný pokrývat i fyzikální zákony, a tím přesněji predikovat reálné scénáře,“ říká Brodericková.

Sestavili jsme tak nový model, který využívá tak zvaný Helmholtzovu dekompozici, která je schopná přesněji reprezentovat principy fluidní dynamiky. Tato metoda modeluje oceánský proud tak, že jej rozkládá na vírovou složku (která zachycuje vířivý pohyb) a divergentní složku (která zachycuje stoupání nebo klesání vody).

Tímto způsobem poskytují modelu základní poznatky o fyzikálních zákonech, které může model využít pro přesnější předpovědi.

Nový model mimo jiné využívá stejná data jako starý model. A ačkoliv jsou výpočetní algoritmy nového modelu výpočetně náročnější, výzkumníci ukazují, že dodatečně náklady jsou relativně malé.

Jak byl model otestován?

Nový model byl otestován na vzorku syntetických a skutečných dat z oceánských bójí. Jelikož byla syntetická data vytvořená vědci, bylo možné porovnat predikce modelu s opravdovými oceánskými proudy a jejich divergencemi. Simulace nicméně může zahrnovat zkreslené předpoklady, které nemusí odrážet přírodní zákonitosti v reálném světě, kvůli čemuž vědci následně svůj model testovali také pomocí dat zachycených skutečnými bójemi vypuštěnými v Mexickém zálivu.

V každém případě se jejich nová metoda ukázala jako výkonnější a schopnější pro předpovídání proudů a identifikaci divergencí v obou případech ve srovnání se standardním Gaussovým proces a jiným přístupem strojového učení využívajícího neuronovou síť.

Například v jedné ze simulací, která zahrnovala vír přiléhající k oceánskému proudu, nová metoda správně nepředpověděla žádnou divergenci, zatímco předchozí metoda Gaussova procesu i předešlá metoda neuronové sítě předpovídali divergenci s velmi vysokou pravděpodobností.

Metoda je rovněž účinná v rozeznávání vírů i z malého množství bójek, dodává Brodericková.

A co bude dál?

Nyní po prokázání účinnosti Helmholtzovy dekompozice, chtějí vědci do svého modelu začlenit i časový prvek. Proudy se v průběhu času neustále mění, a je proto zásadní umět predikovat jejich stav i několik let dopředu. To by nám mohlo poskytnout dlouhodobé přesné prognózy, které by ukazovali, jak naše rozhodnutí mohou mít vliv na oceánské proudy a jejich stabilitu.

Kromě toho chceme být schopní lépe zachytit a identifikovat vliv rušivých elementů jako je např. vítr, kvůli němž dochází ke zrychlení bójí na oceánu, a tedy i ke zkreslení dat o oceánských proudech. Oddělení tohoto větrného šumu by mohlo pomoci v zpřesnění získávaných dat.

„Naší nadějí je vzít tyto větrným ruchem ovlivněné bójky a pak říct, jaká je skutečná divergence a skutečná vířivost oceánských proudů. Myslíme si, že v tomto hledu bude pro nás nová metoda velmi učitečná,“ říká Bredericková.

Závěr

Oceánské proudy, ačkoli se to mnohým nemusí zdát, jsou ve skutečnosti pro náš život velmi důležité. Jejich stabilita podporuje nejenom celé mořské ekosystémy, ale i vyvážené počasí napříč celými kontinenty. Vzkvétající mořské ekosystémy pak umožňují tvorbu rozmanité fauny a flóry na mořském dně a korálových útesech, díky čemuž je dostatek ryb, řas a jiných mořských plod, které jsou nedílnou částí jídelníčku přímořských států. Jeden z nejznámějších proudů, Golfský proud, putující od Mexického zálivu přes Atlantský oceán až směrem k severovýchodu. Jeho narušení může mít velmi negativní následky na klima, přepravu lodí a mořský život. Informace o oceánských proudech nám pak mohou pomoci v jejich udržování a zachovávání.