Mô hình giúp dự đoán dòng hải lưu chính xác hơn

Để nghiên cứu các dòng hải lưu, các nhà khoa học thường thả phao được gắn thẻ GPS trên đại dương và ghi lại vận tốc của chúng để tái tạo lại các dòng chảy vận chuyển. Những dữ liệu phao này cũng được sử dụng để xác định các phân kỳ (divergences), tức các khu vực mà nước dâng lên từ dưới bề mặt hoặc chìm xuống dưới.

Thông thường, để ước tính dòng chảy và tìm ra sự phân kỳ, các nhà hải dương học đã sử dụng một kỹ thuật học máy được gọi là hàm thống kê Gaussian, có thể đưa ra dự đoán ngay cả khi dữ liệu thưa thớt. Trong trường hợp này, hàm Gaussian phải đưa ra các giả định về dữ liệu để dự đoán.

Một cách tiêu chuẩn để áp dụng hàm Gaussian cho dữ liệu đại dương là giả định rằng các thành phần vĩ độ và kinh độ của dòng chảy không liên quan đến nhau. Nhưng giả định này không chính xác về mặt vật lý. Chẳng hạn, mô hình đang có ngụ ý rằng sự phân kỳ của hải lưu và độ xoáy của nó hoạt động trên cùng một thang cường độ và độ dài, nhưng các nhà khoa học đại dương biết điều này không đúng. Mô hình Gaussian cũng giả định khung tham chiếu, rằng chất lỏng sẽ hoạt động khác nhau ở hướng vĩ độ so với kinh độ.

Để khắc phục vấn đề này, một nhóm nghiên cứu đa ngành bao gồm các nhà khoa học máy tính tại MIT và các nhà hải dương học đã phát triển một mô hình mới kết hợp kiến thức từ động lực học chất lỏng để phản ánh tốt hơn các quy luật vật lý thực tế của dòng hải lưu.

Tamara Broderick, phó giáo sư tại Khoa Kỹ thuật Điện và Khoa học Máy tính (EECS) của MIT cùng các đồng nghiệp đã xây dựng một mô hình mới, sử dụng phương trình phân hủy Helmholtz để thể hiện các nguyên tắc của động lực học chất lỏng. Phương pháp này mô hình hóa một dòng hải lưu bằng cách tách nó thành một vector thành phần xoáy (ghi lại chuyển động xoáy) và một vector thành phần phân kỳ (ghi lại mức nước dâng hoặc chìm xuống). Nhờ vậy, họ cung cấp cho mô hình một số kiến thức vật lý cơ bản mà nó có thể sử dụng để đưa ra dự đoán chính xác hơn.

Mô hình mới này cũng sử dụng dữ liệu tương tự như mô hình cũ. Nhóm nghiên cứu chỉ ra rằng, phương pháp mới chỉ đòi hỏi một lượng nhỏ chi phí tính toán bổ sung nhưng tạo ra được kết quả tốt hơn các mô hình truyền thống.

Để đánh giá mô hình, các nhà khoa học đã sử dụng cả dữ liệu thực và dữ liệu tổng hợp. Vì dữ liệu tổng hợp được tạo ra bởi các nhà nghiên cứu, họ có thể so sánh các dự đoán của mô hình với dòng hải lưu và khu vực phân kỳ thật. Nhưng các mô phỏng liên quan đến các giả định có thể không phản ánh thực tế, vì vậy nhóm nghiên cứu cũng thử nghiệm mô hình bằng cách dùng dữ liệu thật thu thập bởi các phao thả ở Vịnh Mexico.

Trong mỗi trường hợp, mô hình mới của nhóm MIT đã chứng minh hiệu suất vượt trội cho cả hai nhiệm vụ dự đoán dòng chảy và xác định vùng phân kỳ khi so sánh với mô hình thông kê Gaussian tiêu chuẩn và một phương pháp học máy khác sử dụng mạng thần kinh.

Ví dụ, trong một mô phỏng bao gồm một xoáy liền kề với dòng hải lưu, phương pháp mới dự đoán chính xác không có sự phân kỳ, trong khi phương pháp xử lý Gaussian trước đó và phương pháp mạng thần kinh đều dự đoán sự phân kỳ với độ tin cậy rất cao.

Kỹ thuật này cũng rất tốt trong việc xác định vùng xoáy từ một nhóm phao nhỏ, Broderick cho biết thêm.

Sau khi chứng minh hiệu quả của việc sử dụng phương trình Helmholtz, sắp tới các nhà nghiên cứu muốn kết hợp thêm yếu tố thời gian vào mô hình vì dòng chảy có thể thay đổi theo thời gian cũng như không gian.

Trang Linh tổng hợp

Nguồn: https://news.mit.edu/2023/new-machine-learning-model-ocean-currents-0517

https://www.earth.com/news/machine-learning-can-more-accurately-predict-ocean-currents/