Yazılım

Makine Öğrenmesi, Dünya Okyanusları Arasındaki Bağlantıları Tanımlamaya Yardımcı Oluyor

Araştırmacılar, okyanustaki insan yeteneğinin ötesinde olabilecek bağlantıları ve desenleri ortaya çıkarmak için bilgisayar kullanıyor. Son zamanlarda; okyanustaki benzer fiziğe sahip desenleri tanımlamak için büyük miktarda veriden elenen bir makine öğrenme algoritması uygulayıp, küresel okyanusu oluşturan beş küresel dinamik olarak tutarlı bölgelerin olduğunu gösterdiler.

MIT Dünya Atmosfer ve Gezegen Bilimleri (EAPS) Maike Sonnewald, küresel okyanusun alanlarını benzer fizik ile tanımlayan ve küresel dinamik rejimleri ortaya çıkaran bir yöntemi uyarlıyor.

Küresel okyanusun fiziğini inceleyen oşinografiler* uzun zamandır bir soruna çözüm arıyorlar: Akışkan dinamik dengeleri noktadan noktaya büyük ölçüde değişebilir ve bu da küresel genellemeler yapmayı zorlaştırır. Ayrıca rüzgar gibi faktörler de; yerel topoğrafya ve meteorolojik değişimler bir alanı diğeriyle karşılaştırmayı zorlaştırır.

Milyarlarca veri noktasını çok sayıda parametre için analiz etmeyi gerektiriyor: Sıcaklık, tuzluluk, hız, derinlik, eğilim… Belli bir bölgede hangi fiziğin en baskın olduğunu belirlemek gerekiyor.

Sonnewald: “Çok sayıda farklı küresel haritaya bakmak ve neyin önemli olduğunu bulmak için eşleştirmek gerek.”

Fiziksel oşinografi ve veri biliminde çalışmalar yapan Sonnewald; okyanustaki insan yeteneğinin ötesinde olabilecek bağlantıları ve desenleri ortaya çıkarmak için bilgisayar kullanıyor. Son zamanlarda; okyanustaki benzer fiziğe sahip desenleri tanımlamak için büyük miktarda veriden elenen bir makine öğrenme algoritması uyguladı ve küresel okyanusu oluşturan beş küresel dinamik olarak tutarlı bölgelerin olduğunu gösterdi.

Sonnewald: “Gerçekten karmaşık dünya okyanusunu alıyor ve birkaç önemli kalıba indirgiyor. Bunları olup bitenleri anlamak ve daha karmaşık alanları vurgulamak için kullanıyoruz. ”

Okyanusta neler olup bittiğiyle ilgili veriler için, Sonnewald Okyanusu Dolaşımı ve İklimi Tahmin Etme (ECCO) verileri kulanıldı. ECCO, milyarlarca gözlemsel veriye dayanan 20 yıllık bir okyanus iklimi ve dolaşım tahminidir. Sonnewald; daha sonra, eczacılıktan mühendislik araştırmalarına kadar, K-kümelenme olarak adlandırılan alanlarda yaygın olan bir algoritmayı uyguladı. Bu, okyanusta baskın fiziğin ne olduğunu ve nerede uygulandığını belirlemek için verilerdeki sağlam kalıpların tanımlanmasına izin veriyor.

Sonuçlar, küresel okyanusun yüzde 93,7’sini oluşturan beş kümenin olduğunu göstermektedir. Örneğin, küresel okyanusun yüzde 43’ünü oluşturan en büyük kümelenmede, en baskın fiziksel özellik, okyanus yüzeyindeki rüzgar stresinin, alt torklarla dengelenmesidir. Bulunan alanlar: Güney Okyanusunda ince bir şerit, Kuzey Kutup denizlerinin geniş alanları, tropik bölgelerde bölgesel çizgiler ve Kuzey Yarımküre’de subtropikal ve subpolar oluşumlar…

Diğer dört küme; baskın fiziksel gücü ve küresel okyanusun hangi bölümünde bulunabileceğini benzer şekilde tanımlamaktadır. Algoritma; ayrıca okyanusun geri kalan yüzde 6,3’ünü basit bir fiziksel özellik setine sabitlenemeyecek kadar karmaşık alanlar olarak tanımladı.

Sonnewald: “Bunun gerçekten analizi çok kolaylaştıracağını ve araştırmalarımızı doğru yerlere odaklamamıza yardımcı olacağını düşünüyorum.”

Wunsch, araştırma sonucunun; okyanusun belirli bölgelerine odaklanan ortak çalışma notlarını karşılaştırabilmesi için oşinografinin jeoloji gibi görünmesine yardımcı olabileceğini söylüyor. Bir bölgede çalışan bir bilim insanı, o bölgeyi benzer şekilde davranan bölgeyle karşılaştırabilir.

Bir sonraki adım olarak, Sonnewald; kalan karmaşık yüzde 6,3’ü bulmak için daha yüksek çözünürlüklü verilerle aynı yöntemi kullanıyor. Odak noktası, her ikisi de değişen bir iklime duyarlı olan devirme ve dönme dolaşımıdır.
Sonnewald, bu erken bulguların; okyanus araştırmacılarının küresel okyanusta daha fazla örüntü ortaya çıkarmak için veri bilimcilerine daha fazla kanıtlar sunmasını umuyor.
Ayrıca; her iki alanın da son yıllarda çarpıcı gelişmeler kaydettiğini belirtti. Ancak yapay zekanın “kara kutu” hesaplama gücü ile ECCO gibi çabaları mümkün kılan gözlemsel verilerin, derin hazinesi arasında hala bir boşluk var.

Sonnewald: “Okyanus fiziğini kullanarak, makine öğrenmesi algoritmasına rehberlik ediyor ve sonuçları olması gerektiğini bildiğimiz kanonik rejimlerle doğruluyoruz. Makine öğrenmesi ile oşinografi arasında bir köprü inşa etmek gibi bir şey ve umarım diğer insanlar o köprüyü geçeceklerdir.”

* Oşinografi: Okyanuslarda, suyun fiziki özelliklerini ve dalga hareketlerini, okyanus tabanlarının jeolojik şekilleriyle tortu tabakalarını, suları kimyasal yönden inceleyen ve denizlerdeki bitkilerle hayvanların hayatlarını araştıran bilim dalı.

Kaynak:
mıt
Etiketler
1 Oy2 Oy3 Oy4 Oy5 Oy (2 oy verildi, Ortalama: 5 üzerinden 5,00 oy )
Loading...

Benzer Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

İlgini Çekebilir

Close
Close