Notícia

Cientistas propõem uma maneira melhor de estudar as correntes oceânicas

Fonte

MIT | Instituto de Tecnologia de Massachusetts

Data

sábado, 20 maio 2023 18:00

Áreas

Clima. Ecologia. Hidrologia. Modelagem Climática. Monitoramento Ambiental. Oceanografia. Sensoriamento Remoto. Tecnologias.

Para estudar as correntes oceânicas, os cientistas lançaram boias marcadas com GPS no oceano e registram suas velocidades para reconstruir as correntes que as transportavam.

Ao prever com precisão as correntes e identificar divergências nos dados, os cientistas podem prever com mais precisão o clima, estimar como o óleo se espalhará após um derramamento ou medir a transferência de energia no oceano. Um novo modelo que incorpora aprendizado de máquina faz previsões mais precisas do que os modelos convencionais, relatou um novo estudo.

Uma equipe de pesquisa multidisciplinar, incluindo cientistas da computação do Instituto de Tecnologia de Massachusetts (MIT), nos Estados Unidos, e oceanógrafos, descobriu que um modelo estatístico padrão normalmente usado em dados de boias pode ter dificuldades para reconstruir com precisão as correntes ou identificar divergências porque faz suposições não realistas sobre o comportamento da água.

Os pesquisadores desenvolveram um novo modelo que incorpora o conhecimento da dinâmica dos fluidos para refletir melhor a física em ação nas correntes oceânicas. Eles mostraram que seu método, que requer apenas uma pequena quantidade de custo computacional adicional, é mais preciso na previsão de correntes e na identificação de divergências do que o modelo tradicional.

Este novo modelo poderia ajudar os oceanógrafos a fazer estimativas mais precisas a partir de dados de boias, o que lhes permitiria monitorar de forma mais eficaz o transporte de biomassa (como a alga Sargassum), carbono, plásticos, petróleo e nutrientes no oceano. Essas informações também são importantes para entender e acompanhar as mudanças climáticas.

“Nosso método captura as suposições físicas de forma mais adequada e precisa. Neste caso, já sabemos muito da física. Estamos dando ao modelo um pouco dessas informações para que ele possa se concentrar em aprender as coisas que são importantes para nós, como quais são as correntes distantes das boias ou qual é essa divergência e onde está acontecendo”, disse a Dra. Tamara Broderick, autora sênior do estudo, professora do Departamento de Engenharia Elétrica e Ciência da Computação (EECS) do MIT e membro do Laboratório de Sistemas de Informação e Decisão e do Instituto de Dados, Sistemas e Sociedade do MIT.

O autor principal do estudo é Renato Berlinghieri, estudante de pós-graduação em Engenharia Elétrica e Ciência da Computação. O Dr. Brian L. Trippe, pós-doutorando na Universidade de Columbia; o Dr. David R. Burt e o Dr. Ryan Giordano, pós-doutorandos do MIT; o Dr.  Kaushik Srinivasan, pesquisador em Ciências Atmosféricas e Oceânicas da Universidade da Califórnia em Los Angeles (UCLA); O Dr. Tamay Özgökmen, professor do Departamento de Ciências Oceânicas da Universidade de Miami; e Junfei Xia, aluno de pós-graduação da Universidade de Miami, são os pesquisadores que participaram da pesquisa. A pesquisa será apresentada na Conferência Internacional sobre Machine Learning.

Desempenho flutuante

Os pesquisadores avaliaram o novo modelo usando dados sintéticos e reais de boias oceânicas. Como os dados sintéticos foram ‘construídos’ pelos pesquisadores, eles puderam comparar as previsões do modelo com as correntes e divergências reais. Mas a simulação envolve suposições que podem não refletir a realidade, então os pesquisadores também testaram o modelo usando dados capturados por boias reais lançadas no Golfo do México.

Em cada caso, o método demonstrou desempenho superior para ambas as tarefas, prevendo correntes e identificando divergências, quando comparado ao processo gaussiano padrão e outra abordagem de aprendizado de máquina que usa uma rede neural. Por exemplo, em uma simulação que incluiu um vórtice adjacente a uma corrente oceânica, o novo método previu corretamente nenhuma divergência, enquanto o método do processo Gaussiano anterior e o método da rede neural previram uma divergência com confiança muito alta.

A técnica também é boa para identificar vórtices de um pequeno conjunto de boias, acrescentou a Dra. Tamara Broderick.

Agora que demonstraram a eficácia do uso de uma decomposição de Helmholtz, os pesquisadores querem incorporar um elemento de tempo em seu modelo, já que as correntes podem variar no tempo e no espaço. Além disso, eles querem capturar melhor como o ruído afeta os dados, como ventos que às vezes afetam a velocidade da bóia. Separar esses ruídos dos dados pode tornar a abordagem mais precisa.

Acesse a publicação científica completa (em inglês).

Acesse a notícia completa na página do Instituto de Tecnologia de Massachusetts (em inglês).

Fonte: Adam Zewe, MIT News Office. Imagem: trajetórias de boias à deriva no Golfo do México sobrepostas às correntes de superfície. Os pontos vermelhos marcam as posições das boias em 9 de março de 2016 e as caudas têm 14 dias de duração. Fonte: Dr. Edward Ryan e Dr. Tamay Özgökmen, Universidade de Miami.