Künstliche Intelligenz deckt Verbindungen zwischen dem Weltmeer auf

• Eine neue maschinelle Lerntechnik identifiziert sinnvolle Verknüpfungen und Muster im Ozean.
• Es zeigt insgesamt 5 dynamisch konsistente Regionen, die fast 93,7 % der Weltmeere ausmachen, zusammen mit ihren dominantesten physikalischen Parametern.

Vor dem Aufkommen fortschrittlicher Beobachtungs- und Modellierungsmethoden wurde der physikalische/dynamische Zustand des Ozeans mithilfe großräumiger quasi-laminarer Beschreibungen wie Stommel-Arons-Strömungen, abgrundtiefen Rezepten oder Sverdrup-Balance bestimmt.

Jüngste Fortschritte bei der Modellierung und Instrumentierung haben gezeigt, dass die Ozeanphysik durch komplizierte räumliche und zeitliche Variabilität charakterisiert werden kann. Jede Region im Meer hat einen einzigartigen Zustand, der von mehreren Faktoren abhängt, wie der lokalen Meteorologie, der Nähe zu den westlichen und östlichen Grenzen und mehr.

Um zu erkennen, welche Physik an einem bestimmten Ort am dominantesten ist, muss man eine überwältigende Anzahl von Datenpunkten auf verschiedene Parameter untersuchen, darunter Salzgehalt, Geschwindigkeit, Temperatur und wie sich die Dinge mit der Tiefe ändern.

Da es für einen Menschen unmöglich ist, solch enorme Datenmengen zu entziffern, haben MIT-Forscher eine neue Methode des maschinellen Lernens entwickelt, um sinnvolle Verknüpfungen und Muster im Ozean zu identifizieren.

Was hat der Algorithmus gelöst?

Das Forschungsteam nutzte die „Estimating the Circulation and Climate of the Ocean“ (ECCO), um Daten über das Geschehen im globalen Ozean zu gewinnen. ECCO bietet Ozeanvariabilität, Küstenphysik, biologische Zyklen und Geodäsie, basierend auf Milliarden von Parametern, die in den letzten 2 Jahrzehnten aufgezeichnet wurden.

Referenz:Wiley Online-Bibliothek | doi:10.1029/2018EA000519 | MIT

Anschließend wandten sie K-Means-Clustering – eine Methode der Vektorquantisierung – an, um robuste Muster in Daten zu erkennen und die vorherrschende Physik im Meer zu bestimmen. Die Ergebnisse ergaben insgesamt 5 Cluster, die 5 dynamisch konsistente Regionen repräsentieren, die fast 93,7 % der Weltmeere ausmachen.

Der größte Cluster beispielsweise macht etwa 43% des globalen Meeres aus:Sein dominierender Parameter ist die Windbelastung auf der Meeresoberfläche, die durch Drehmomente am Boden ausgeglichen wird. Dieser Parameter wird hauptsächlich in subpolaren und subtropischen Wirbeln auf der Nordhalbkugel, großen Teilen des Arktischen Ozeans und einem dünnen Band im Südpolarmeer aufgezeichnet.

Ozeane, die nach ähnlichen Parametern gruppiert sind | Bildnachweis:Maike Sonnewald

Ebenso zeigen die anderen 4 Cluster den dominierenden physikalischen Parameter und wo genau er im globalen Ozean zu finden ist. Die restlichen 6,3 % der Meeresgebiete waren ziemlich schwer zu bestimmen.

In der nächsten Studie werden die Forscher dieselbe Technik des maschinellen Lernens mit höher aufgelösten Daten verwenden, um die verbleibenden 6,3 % zu verfolgen. Sie konzentrieren sich auf klimaempfindliche Faktoren wie Wirbelzirkulation und Umkippen.

Lesen Sie:Der Ozean der Erde absorbierte von 1991 bis 2016 338 Zettajoule Wärmeenergie

Im Moment kann dieses Tool Ozeanographen und Wissenschaftlern dabei helfen, ihre Analysen zu vereinfachen, Regionen mit ähnlichen zu vergleichen und ihre Forschung an den richtigen Stellen zu fokussieren.