Oceanografer som studerar fysiken i det globala havet har länge befunnit sig inför en gåta:Vätskedynamiska balanser kan variera mycket från punkt till punkt, gör det svårt att göra globala generaliseringar.

Faktorer som vinden, lokal topografi, och meteorologiska utbyten gör det svårt att jämföra ett område med ett annat. För att öka komplexiteten, man måste analysera miljarder datapunkter för många parametrar - temperatur, salthalt, hastighet, hur saker förändras med djupet, om det finns en trend närvarande - att ta reda på vilken fysik som är mest dominerande i en viss region.

"Du måste titta på ett överväldigande antal olika globala kartor och mentalt matcha dem för att ta reda på vad som är viktigast var, "säger Maike Sonnewald, en postdoc som arbetar vid MIT Department of Earth, Atmospheric and Planetary Sciences (EAPS) och medlem i EAPS -programmet i Atmospheres, Hav och klimat (PAOC). "Det är bortom vad någon människa kan tyda."

Sonnewald, som har en bakgrund inom fysisk oceanografi och datavetenskap, använder datorer för att avslöja anslutningar och mönster i havet som annars skulle vara bortom mänsklig förmåga. Nyligen, hon använde en algoritm för maskininlärning som siktade igenom stora mängder data för att identifiera mönster i havet som har liknande fysik, visar att det finns fem globalt dynamiskt konsekventa regioner som utgör det globala havet.

"Det är fantastiskt eftersom det är så enkelt, "säger Sonnewald." Det tar det riktigt komplicerade världshavet och destillerar det till några viktiga mönster. Vi använder dessa för att utläsa vad som händer och för att markera områden som är mer komplicerade. "

Sonnewald och medförfattare Carl Wunsch, EAPS professor emeritus i fysisk oceanografi och PAOC -medlem, och Patrick Heimbach, en EAPS -forskningsförbund och tidigare senior forskare, nu vid University of Texas i Austin, publicerade sina fynd i ett specialnummer om "Geoscience Papers of the Future" i Jord- och rymdvetenskap .

För information om vad som händer i havet, Sonnewald använde skattningen av Estimating the Circulation and Climate of the Ocean (ECCO). ECCO är en 20-årig uppskattning av havsklimat och cirkulation baserat på miljarder punkter av observationsdata. Sonnewald tillämpade sedan en algoritm som är vanlig inom områden som sträcker sig från läkemedels- till ingenjörsforskning, kallad K-betyder klustering, som möjliggör identifiering av robusta mönster i data för att avgöra vad den dominerande fysiken i havet är och var de tillämpas.

Resultaten visar att det finns fem kluster som utgör 93,7 procent av det globala havet. Till exempel, i det största klustret, står för 43 procent av det globala havet, det mest dominerande fysiska attributet är att vindspänningen på havets yta balanseras av bottenmoment. Områden där detta finns:ett tunt band i södra oceanen, stora områden i Arktis, zonstrimmor i tropikerna, och subtropiska och subpolära gyrer på norra halvklotet.

De andra fyra klustren beskriver på liknande sätt den dominerande fysiska kraften och i vilken del av det globala havet den kan hittas. Algoritmen identifierade också de återstående 6,3 procent av havet som områden som var för komplicerade för att kunna fästas till en enkel uppsättning fysiska egenskaper. Denna upptäckt är också till hjälp, säger Sonnewald, eftersom det tillåter forskare fördelen att veta var avvikare gäller.

"Jag tror att det verkligen kommer att underlätta mycket analys och hjälpa oss att fokusera vår forskning på rätt platser, säger Sonnewald.

Wunsch säger att en spännande implikation av forskningen är att det kan hjälpa oceanografi att se mer ut som geologi genom att forskare som fokuserar på specifika områden i havet kan samarbeta och jämföra anteckningar. En forskare som arbetar i en region kan jämföra den regionen med en som beter sig på samma sätt.

"På ett sätt, det är ett bättre sätt att använda våra verktyg, "säger Wunsch.

Vad den inte kan berätta för dig, säger Wunsch, det är därför regioner beter sig annorlunda. "Det tar fortfarande en människa att gå in och försöka förstå vad som händer på platser där maskinen identifierade för att titta, " han säger.

Som ett nästa steg, Sonnewald kör samma metod med data med högre upplösning för att fastställa de komplicerade återstående 6,3 procenten. Fokus kommer att ligga på vältning och girkirkulation, som båda är känsliga för ett förändrat klimat.

Sonnewald hoppas att dessa tidiga fynd ger övertygande bevis för att oceanografer kan arbeta mer med datavetenskapare för att avslöja fler mönster som finns i det globala havet. Innan du kom till MIT, Sonnewald fick en magisterexamen i komplex systemsimulering vid The Institute for Complex Systems Simulation vid University of Southampton och en doktorsexamen. i fysisk oceanografi och komplex systemsimulering baserad på National Oceanography Center i Southampton, England. Sedan dess, hon har fokuserat på att tillämpa datavetenskap på fysisk oceanografi som postdoc vid MIT och Harvard University.

Båda fälten har sett dramatiska framsteg under de senaste decennierna, säger Sonnewald. Men det finns fortfarande en klyfta mellan "black-box" -kraften hos artificiell intelligens och djupet av observationsdata som gör insatser som ECCO möjliga.

"Eftersom vi typ guidar maskininlärningsalgoritmen med hjälp av havsfysik och verifierar resultaten av de kanoniska regimer som vi vet borde finnas där, vi kan täppa till det gapet, "säger Sonnewald." Det är som att bygga en bro mellan maskininlärning och oceanografi, och förhoppningsvis kommer andra människor att korsa bron. "

Denna artikel publiceras på nytt med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT -forskning, innovation och undervisning.