Gli oceanografi che studiano la fisica dell'oceano globale si sono trovati a lungo di fronte a un enigma:gli equilibri fluidodinamici possono variare notevolmente da punto a punto, rendendo difficile fare generalizzazioni globali.

Fattori come il vento, topografia locale, e gli scambi meteorologici rendono difficile confrontare un'area con un'altra. Per aumentare la complessità, si dovrebbero analizzare miliardi di punti dati per numerosi parametri:temperatura, salinità, velocità, come le cose cambiano con la profondità, se è presente una tendenza, per individuare quale fisica è più dominante in una determinata regione.

"Dovresti guardare un numero enorme di diverse mappe globali e abbinarle mentalmente per capire cosa conta di più dove, "dice Maike Sonnewald, un postdoc che lavora presso il Dipartimento della Terra del MIT, Scienze atmosferiche e planetarie (EAPS) e membro del programma EAPS in Atmospheres, Oceani e clima (PAOC). "È al di là di ciò che qualsiasi essere umano potrebbe decifrare."

Sonnewald, che ha un background in oceanografia fisica e scienza dei dati, usa i computer per rivelare connessioni e schemi nell'oceano che altrimenti sarebbero al di là delle capacità umane. Recentemente, ha applicato un algoritmo di apprendimento automatico che ha setacciato grandi quantità di dati per identificare modelli nell'oceano che hanno una fisica simile, mostrando che ci sono cinque regioni globali dinamicamente coerenti che compongono l'oceano globale.

"È incredibile perché è così semplice, " dice Sonnewald. "Prende l'oceano mondiale davvero complicato e lo distilla in pochi modelli importanti. Li usiamo per dedurre cosa sta succedendo e per evidenziare le aree più complicate".

Sonnewald e i coautori Carl Wunsch, professore emerito EAPS di oceanografia fisica e membro PAOC, e Patrick Heimbach, un affiliato di ricerca EAPS ed ex ricercatore senior, ora all'Università del Texas ad Austin, hanno pubblicato i loro risultati in un numero speciale su "Geoscience Papers of the Future" in Scienze della Terra e dello Spazio .

Per i dati su ciò che sta accadendo nell'oceano, Sonnewald ha utilizzato la stima statale Estimating the Circulation and Climate of the Ocean (ECCO). ECCO è una stima ventennale del clima e della circolazione oceanica basata su miliardi di punti di dati osservativi. Sonnewald ha quindi applicato un algoritmo comune in campi che vanno dalla ricerca farmaceutica a quella ingegneristica, chiamato K significa clustering, che consente l'identificazione di modelli robusti nei dati per determinare quale sia la fisica dominante nell'oceano e dove si applicano.

I risultati mostrano che ci sono cinque cluster che compongono il 93,7% dell'oceano globale. Per esempio, nel cluster più grande, che rappresentano il 43% dell'oceano globale, l'attributo fisico più dominante è che lo stress del vento sulla superficie dell'oceano è bilanciato dalle coppie di fondo. Aree in cui si trova:un sottile nastro nell'Oceano Antartico, vaste aree dei mari artici, striature zonali ai tropici, e vortici subtropicali e subpolari nell'emisfero settentrionale.

Gli altri quattro ammassi descrivono in modo simile la forza fisica dominante e in quale parte dell'oceano globale può essere trovata. L'algoritmo ha anche identificato il restante 6,3% dell'oceano come aree troppo complicate per essere ricondotte a un semplice insieme di proprietà fisiche. Anche questa scoperta è utile, dice Sonnewald, in quanto consente ai ricercatori il vantaggio di sapere dove si applicano i valori anomali.

"Penso che semplificherà davvero molto l'analisi e ci aiuterà a focalizzare la nostra ricerca nei posti giusti, "dice Sonnewald.

Wunsch afferma che un'interessante implicazione della ricerca è che può aiutare l'oceanografia ad assomigliare di più alla geologia in quanto i ricercatori che si concentrano su specifiche regioni dell'oceano possono collaborare e confrontare le note. Uno scienziato che lavora in una regione potrebbe confrontare quella regione con una che si comporta in modo simile.

"In un modo, è un modo migliore per utilizzare i nostri strumenti, "dice Wunsch.

Quello che non può dirti, dice Wunsch, Ecco perché le regioni si comportano diversamente. "Ci vuole ancora un essere umano per entrare e cercare di capire cosa sta succedendo nei luoghi in cui la macchina si è identificata per guardare, " lui dice.

Come passo successivo, Sonnewald sta eseguendo lo stesso metodo con dati a risoluzione più elevata per definire il complicato 6,3 percento rimanente. Il focus sarà sul ribaltamento e la circolazione vorticosa, che sono entrambi sensibili a un clima che cambia.

Sonnewald spera che questi primi risultati offrano prove convincenti affinché gli oceanografi lavorino di più con gli scienziati dei dati per rivelare più modelli presenti nell'oceano globale. Prima di venire al MIT, Sonnewald ha conseguito un master in simulazione di sistemi complessi presso l'Institute for Complex Systems Simulation dell'Università di Southampton e un dottorato di ricerca. in oceanografia fisica e simulazione di sistemi complessi con sede presso il National Oceanography Center di Southampton, Inghilterra. Da allora, si è concentrata sull'applicazione della scienza dei dati all'oceanografia fisica come postdoc presso il MIT e l'Università di Harvard.

Entrambi i campi hanno visto notevoli progressi negli ultimi decenni, dice Sonnewald. Ma rimane ancora un divario tra la potenza di calcolo della "scatola nera" dell'intelligenza artificiale e il profondo tesoro di dati osservativi che rendono possibili sforzi come ECCO.

"Perché stiamo guidando l'algoritmo di apprendimento automatico usando la fisica degli oceani e verificando i risultati con i regimi canonici che sappiamo dovrebbero essere lì, siamo in grado di colmare quel divario, " dice Sonnewald. "È come costruire un ponte tra l'apprendimento automatico e l'oceanografia, e si spera che altre persone attraversino quel ponte".

Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca del MIT, innovazione e didattica.