• Latest
  • Öne Çıkan

Makine Öğrenmesi, Dünya Okyanusları Arasındaki Bağlantıları Tanımlamaya Yardımcı Oluyor

21 Mart 2019
Truva Atı Mekanizması

Truva Atı Mekanizması: Ağlar Cinsiyet Ayrımını Nasıl Azaltır?

18 Nisan 2021
Örümcek Ağlarından Müzik

Örümcek Ağlarından Müzik

14 Nisan 2021
3D Baskı için Hareketli Bir Platform, İsrafı ve Maliyetleri Nasıl Azaltabilir?

3D Baskı için Hareketli Bir Platform, İsrafı ve Maliyetleri Nasıl Azaltabilir?

6 Nisan 2021
Araştırmacılar ‘Açıklanabilir’ Yapay Zeka Algoritması Geliştiriyor

Araştırmacılar ‘Açıklanabilir’ Yapay Zeka Algoritması Geliştiriyor

5 Nisan 2021
Yıldız tozundan soluk mavi noktaya: Karbon’un Dünya’ya yıldızlararası yolculuğu

Yıldız tozundan soluk mavi noktaya: Karbon’un Dünya’ya yıldızlararası yolculuğu

4 Nisan 2021
Organik Güneş Pillerinin Performansını Tahmin Etmek için Makine Öğrenimi

Organik Güneş Pillerinin Performansını Tahmin Etmek için Makine Öğrenimi

1 Şubat 2021
Mühendisler, Robotlar İçin Özelleştirilmiş “Beyinler” Tasarlıyor

Mühendisler, Robotlar İçin Özelleştirilmiş “Beyinler” Tasarlıyor

22 Ocak 2021
Biyo-İlham: Istakozlar, Daha Güçlü 3D Baskılı Beton Yapmaya Nasıl Yardımcı Olabilir?

Biyo-İlham: Istakozlar, Daha Güçlü 3D Baskılı Beton Yapmaya Nasıl Yardımcı Olabilir?

21 Ocak 2021
Mühendisler, Yerel Kuantum Ağları Oluşturmak İçin Dronları Kullanıyor

Mühendisler, Yerel Kuantum Ağları Oluşturmak İçin Dronları Kullanıyor

18 Ocak 2021
İnsan-Robot İşbirliğine Dayalı Montaj Hatlarında, Göçmen Kuşlardan İlham Alan Yeni Bir Algoritma

İnsan-Robot İşbirliğine Dayalı Montaj Hatlarında, Göçmen Kuşlardan İlham Alan Yeni Bir Algoritma

16 Ocak 2021
Kombucha Çayından İlham Alan Mühendisler, ‘Canlı Malzemeler’ Yaratıyor

Kombucha Çayından İlham Alan Mühendisler, ‘Canlı Malzemeler’ Yaratıyor

11 Ocak 2021
Işık Hızında Makine Öğrenimi: Yeni Çalışma, Yapay Zeka İçin Fotonik Yapıların Kullanımını Gösteriyor

Işık Hızında Makine Öğrenimi: Yeni Çalışma, Yapay Zeka İçin Fotonik Yapıların Kullanımını Gösteriyor

7 Ocak 2021
NtboxMag
Pazartesi, Nisan 19, 2021
  • Ana Sayfa
  • Tıp
  • Teknoloji
  • Yazılım
  • Akıllı Sistemler
  • Robotik
  • Bilim
  • Astronomi ve Uzay
  • Fizik/Kimya
No Result
View All Result
NTBOX Magazin
No Result
View All Result

Makine Öğrenmesi, Dünya Okyanusları Arasındaki Bağlantıları Tanımlamaya Yardımcı Oluyor

by Editör
21 Mart 2019
in Yazılım
0 0
0

Benzer özelliklerle kümelenmiş küresel okyanusun bir temsili./MIT

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.

YOU MAY ALSO LIKE

Örümcek Ağlarından Müzik

3D Baskı için Hareketli Bir Platform, İsrafı ve Maliyetleri Nasıl Azaltabilir?

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.

Tags: Akışkan dinamik dengeleridünya okyanuslarıEAPSECCOk-kümelemeMaike SonnewaldoşinografilerSonnewald Okyanusu Dolaşımı ve İklimi Tahmin Etme
ShareTweetShare

Search

No Result
View All Result

Recent News

Truva Atı Mekanizması

Truva Atı Mekanizması: Ağlar Cinsiyet Ayrımını Nasıl Azaltır?

18 Nisan 2021
Örümcek Ağlarından Müzik

Örümcek Ağlarından Müzik

14 Nisan 2021
3D Baskı için Hareketli Bir Platform, İsrafı ve Maliyetleri Nasıl Azaltabilir?

3D Baskı için Hareketli Bir Platform, İsrafı ve Maliyetleri Nasıl Azaltabilir?

6 Nisan 2021
  • Anasayfa
  • Gizlilik Koşulları
  • Reklam

© 2020 NtboxMag.com

No Result
View All Result
  • Ana Sayfa
  • Tıp
  • Teknoloji
  • Yazılım
  • Akıllı Sistemler
  • Robotik
  • Bilim
  • Astronomi ve Uzay
  • Fizik/Kimya

© 2020 NtboxMag.com

Welcome Back!

Login to your account below

Forgotten Password?

Create New Account!

Fill the forms bellow to register

All fields are required. Log In

Retrieve your password

Please enter your username or email address to reset your password.

Log In