머신러닝을 활용한 새로운 모델로 해류 예측 향상

매사추세츠 공과대학

구독함으로써 귀하는 언제든지 구독을 취소할 수 있는 이용 약관 및 정책에 동의하게 됩니다.

최근 MIT의 컴퓨터 과학자와 해양학자를 포함한 다양한 연구팀이 해류를 보다 정확하게 예측하고 발산을 식별하기 위해 기계 학습을 결합한 모델을 구축했습니다.

연구원들은 물 거동에 대한 잘못된 가정으로 인해 부표 데이터에 자주 적용되는 기존 통계 모델이 정확한 예측을 생성하는 데 어려움을 겪고 있음을 발견했습니다. 새로운 모델은 유체 역학의 지식을 결합하여 해류에서 작용하는 물리학을 보다 사실적으로 묘사합니다.

발산점을 식별해야 하며, 해류 예측은 기름 유출에 대응하고, 날씨를 예측하고, 바다에서 에너지가 전달되는 방식을 이해하기 위해 정확해야 합니다.

업데이트된 모델을 통해 바이오매스 운송, 탄소 분산, 플라스틱 분포, 석유 이동 및 해양 영양분 흐름을 보다 정확하게 모니터링할 수 있으며, 이를 통해 부표 데이터에서 도출된 추정치가 크게 향상될 수 있습니다. 또한 이 데이터는 기후 변화를 이해하고 모니터링하는 데 필수적입니다.

연구진은 해류를 예측하고 발산을 식별하는 데 사용되는 기계 학습 방법인 기존 가우스 프로세스를 사용하여 해류의 위도와 경도 구성 요소 간의 관계에 대해 잘못된 가정이 이루어졌다는 사실을 발견했습니다.

기존 모델은 해류의 와도와 발산이 동일한 길이와 규모 규모에서 발생한다는 잘못된 가정을 사용했습니다. 그러나 새로운 모델에는 해류를 와도와 발산 구성 요소로 나누는 헬름홀츠 분해가 포함되어 있어 유체 역학의 법칙을 정확하게 표현합니다.

연구진은 합성 및 실제 해양 부표의 데이터를 활용하여 새로운 모델을 평가했습니다. 기존의 가우시안 프로세스와 신경망을 활용한 다른 머신러닝 방법과 비교했을 때, 새로운 모델은 실제 바람과 발산과 비교했을 때 해류 예측과 발산 인식에서 더 나은 성능을 보였습니다. 연구원들은 또한 새로운 기술을 사용하면 작은 그룹의 부표를 사용하여 소용돌이를 성공적으로 식별할 수 있음을 발견했습니다.

연구원들은 해류의 시간적 변동을 설명하기 위해 앞으로 모델에 시간 요소를 추가할 계획입니다. 모델의 정확도를 높이기 위해 바람의 영향과 같은 데이터와 소음을 구별하는 기능도 향상시킬 계획입니다.

연구원들은 부표로부터 멀리 떨어진 해류와 발산을 예측하는 모델의 기능을 향상시켜 궁극적으로 해양 역학에 대한 이해를 향상시킬 계획입니다.

현장 전문가들은 잘 알려진 유체 역학 동작을 적응 가능한 모델에 포함시킨 연구원의 새로운 방법을 높이 평가했습니다. Brigham and Women's Hospital Massimiliano Russo의 생물통계학 부교수는 기존 모델링의 적응성과 정밀도를 향상시키는 과학적으로 타당한 사양과 용량에 대해 이 연구에 박수를 보냅니다.

마이애미 대학의 Rosenstil School of Marine, Atmospheric, and Earth Science, Office of Naval Research 및 NSF CAREER Award는 모두 이 연구에 자금을 제공했습니다.

해양학 연구 및 응용에 대한 새로운 모델의 잠재적 영향을 강조하는 이 연구 결과는 기계 학습에 관한 국제 회의에서 발표될 예정입니다.

연구 요약:

해양학자들은 부표 속도에 대한 희소한 관측을 기반으로 해류를 예측하고 현재 벡터장의 발산을 식별하는 데 관심이 있습니다. 현재 역학은 부드럽지만 매우 비선형적일 것으로 예상하므로 GP(가우시안 프로세스)는 매력적인 모델을 제공합니다. 그러나 우리는 표준 고정 커널을 사용하는 GP를 부표 데이터에 직접 적용하면 물리적으로 비현실적인 이전 가정으로 인해 현재 예측과 발산 식별 모두에서 어려움을 겪을 수 있음을 보여줍니다. 전류의 알려진 물리적 특성을 더 잘 반영하기 위해 대신 헬름홀츠 분해를 통해 얻은 벡터장의 발산 및 컬 없는 구성 요소에 표준 고정 커널을 배치하는 것을 제안합니다. 우리는 이 분해가 혼합 편도함수를 통해 원래 벡터장과 관련되기 때문에 추가 계산 비용의 작은 상수 배수만으로 원래 데이터에 대해 추론을 수행할 수 있음을 보여줍니다. 우리는 합성 및 실제 해양 데이터에 대한 우리 방법의 이점을 설명합니다.