Oceanógrafos que estudam a física do oceano global há muito se encontram diante de um enigma:os equilíbrios dinâmicos dos fluidos podem variar muito de ponto a ponto, tornando difícil fazer generalizações globais.

Fatores como o vento, topografia local, e as trocas meteorológicas tornam difícil comparar uma área com outra. Para aumentar a complexidade, seria necessário analisar bilhões de pontos de dados para vários parâmetros - temperatura, salinidade, velocidade, como as coisas mudam com a profundidade, se há uma tendência presente - identificar quais físicos são mais dominantes em uma determinada região.

"Você teria que olhar para um número esmagador de mapas globais diferentes e combiná-los mentalmente para descobrir o que é mais importante onde, "diz Maike Sonnewald, um pós-doutorando trabalhando no Departamento da Terra do MIT, Ciências Atmosféricas e Planetárias (EAPS) e membro do Programa EAPS em Atmosferas, Oceanos e Clima (PAOC). "Está além do que qualquer humano poderia decifrar."

Sonnewald, que tem formação em oceanografia física e ciência de dados, usa computadores para revelar conexões e padrões no oceano que, de outra forma, estariam além da capacidade humana. Recentemente, ela aplicou um algoritmo de aprendizado de máquina que vasculhou vastas quantidades de dados para identificar padrões no oceano com física semelhante, mostrando que existem cinco regiões globais dinamicamente consistentes que compõem o oceano global.

"É incrível porque é tão simples, "diz Sonnewald." Ele pega o oceano mundial realmente complicado e o destila em alguns padrões importantes. Nós os usamos para inferir o que está acontecendo e destacar áreas que são mais complicadas. "

Sonnewald e co-autores Carl Wunsch, Professor emérito de oceanografia física da EAPS e membro do PAOC, e Patrick Heimbach, uma afiliada de pesquisa da EAPS e ex-cientista de pesquisa sênior, agora na Universidade do Texas em Austin, publicaram suas descobertas em uma edição especial sobre "Geoscience Papers of the Future" em Ciências da Terra e do Espaço .

Para dados sobre o que está acontecendo no oceano, Sonnewald usou a estimativa de estado Estimating the Circulation and Climate of the Ocean (ECCO). ECCO é uma estimativa de 20 anos do clima e da circulação do oceano com base em bilhões de pontos de dados observacionais. Sonnewald então aplicou um algoritmo que é comum em campos que vão desde a pesquisa farmacêutica à engenharia, chamado agrupamento K-means, o que permite a identificação de padrões robustos em dados para determinar quais são as físicas dominantes no oceano e onde elas se aplicam.

Os resultados mostram que existem cinco clusters que compõem 93,7 por cento do oceano global. Por exemplo, no maior cluster, representando 43 por cento do oceano global, o atributo físico mais dominante é que a tensão do vento na superfície do oceano é equilibrada por torques de fundo. Áreas onde isso é encontrado:uma fita fina no Oceano Antártico, grandes áreas dos mares árticos, faixas zonais nos trópicos, e giros subtropicais e subpolares no hemisfério norte.

Os outros quatro aglomerados descrevem de forma semelhante a força física dominante e em que parte do oceano global ela pode ser encontrada. O algoritmo também identificou os 6,3% restantes do oceano como áreas muito complicadas para serem definidas em um simples conjunto de propriedades físicas. Essa descoberta também é útil, diz Sonnewald, pois permite aos pesquisadores a vantagem de saber onde os valores discrepantes se aplicam.

"Acho que realmente vai facilitar muito a análise e nos ajudar a concentrar nossa pesquisa nos lugares certos, "diz Sonnewald.

Wunsch diz que uma implicação empolgante da pesquisa é que ela pode ajudar a oceanografia a se parecer mais com a geologia, pois os pesquisadores que se concentram em regiões específicas do oceano podem colaborar e comparar notas. Um cientista que trabalha em uma região pode comparar essa região a outra que se comporta de forma semelhante.

"De certa forma, é a melhor maneira de usar nossas ferramentas, "diz Wunsch.

O que não pode te dizer, diz Wunsch, é por isso que as regiões se comportam de maneira diferente. "Isso ainda leva um ser humano para entrar e tentar entender o que está acontecendo nos lugares onde a máquina identificou para olhar, " ele diz.

Como uma próxima etapa, Sonnewald está executando o mesmo método com dados de alta resolução para definir os complicados 6,3% restantes. O foco estará na circulação de giro e capotamento, que são sensíveis às mudanças climáticas.

Sonnewald espera que essas primeiras descobertas ofereçam evidências convincentes para que os oceanógrafos trabalhem mais com cientistas de dados para revelar mais padrões presentes no oceano global. Antes de vir para o MIT, Sonnewald recebeu um mestrado em simulação de sistemas complexos no Instituto de Simulação de Sistemas Complexos da Universidade de Southampton e um Ph.D. em oceanografia física e simulação de sistemas complexos com base no National Oceanography Centre em Southampton, Inglaterra. Desde então, ela se concentrou na aplicação da ciência de dados à oceanografia física como pós-doutoranda no MIT e na Universidade de Harvard.

Ambos os campos viram avanços dramáticos nas últimas décadas, diz Sonnewald. Mas ainda existe uma lacuna entre o poder de computação da "caixa preta" da inteligência artificial e o profundo tesouro de dados observacionais que tornam possíveis esforços como o ECCO.

"Porque estamos guiando o algoritmo de aprendizado de máquina usando a física dos oceanos e verificando os resultados pelos regimes canônicos que sabemos que deveriam estar lá, somos capazes de fechar essa lacuna, "diz Sonnewald." É como construir uma ponte entre o aprendizado de máquina e a oceanografia, e esperançosamente outras pessoas vão cruzar essa ponte. "

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.