科學研究：人工智能學習陸地水文

圖片來源：Pixabay
借助衛星監測，我們可以監測陸地儲水量變化。為處理儲水量變化監測所需要的地球引力場數據集來自GRACE和GRACE-FO衛星任務。由於這些數據集僅包括典型的大規模水體異常，因此不能獲得小規模結構水體的相關結論，例如河流和河流分支中水體的實際分布情況。德國地球科學研究中心GFZ的地球係統建模人員以南美大陸為例，開發了一種新的深度學習方法，借助衛星數據對小規模以及大規模下的水體變化進行量化。這種新方法巧妙地結合了深度學習方法、水文模型以及基於重力測量和高度測量的地球觀測結果。
迄今為止，人們還不能獲知某一大陸中儲水量的確切數值。陸地水體本身也在不斷變化，在影響地球自轉的同時也聯係著大氣和海洋之間的水循環。例如秘魯的亞馬遜支流，在某些年份承載了較多的水量，但在其他年份卻隻有一小部分。除了河流和其他淡水體水體外，土壤、積雪和地下水存儲中也有相當數量的水資源，這些水量很難直接量化。


圖片來源：Pixabay
現在，本研究的主要作者Christopher Irrgang的研究團隊開發了一種新的方法，以便從粗分辨率的衛星數據中得出關於南美大陸儲水量的結論。Irrang介紹道：“對於所謂的降尺度（down-scaling）問題，結合新開發的訓練方法，我們采用了卷積神經網絡，簡稱CNN。CNN特別適合處理空間地球觀測結果，因為它們可以可靠地提取反複出現的模式，如線條、邊緣或更複雜的形狀及特征。"


圖片來源：Pixabay
為了了解陸地儲水情況與相關衛星觀測之間的聯係，研究者們利用2003年至2018年期間通過數值水文模型獲得的模擬數據對CNN進行了訓練。此外，亞馬遜地區的衛星測高數據被用作驗證。此外， CNN能夠不斷進行自我修正和自我驗證，以便對蓄水的分布做出最準確的描述。Irrgang稱：“因此，CNN這一方法結合了數值建模和高精度地球觀測數據的優勢”。
研究人員的結果表明，新的深度學習算法對於南美大陸南緯20°以北的熱帶地區較為適用，因為那裏除了有熱帶雨林、廣闊的地表水外，也有大量的地下水盆地。對於位於南美南邊地下水豐富的西部地區也是如此。在幹旱和沙漠地區，降尺度方法的效果則不如在上述地區效果好。這可以解釋為，那裏的儲水量本來就比較低，變異性比較低，所以神經網絡的訓練隻有邊際影響。然而，研究人員也發現，在亞馬遜地區，經過驗證的CNN預測結果還是比用過的數值模型更加準確。
今後，對全球大陸蓄水量進行大規模以及區域性尺度上的分析和預測的需求將更為迫切。進一步發展數值模型並與新型的深度學習方法相結合，以獲得對大陸水文的全麵了解，將在實現上述任務的過程中發揮更為重要的作用。除了純粹的地球物理探究外，此方法還有許多其他潛在的應用，如研究氣候變化對大陸水文的影響，確定生態係統的壓力因素，如幹旱或洪水，以及製定農業和城市地區的水管理戰略。
作者：GFZ GeoForschungsZentrum Potsdam，Helmholtz Centre
翻譯：汪亞及
審校：董子晨曦
引進來源：物理學家組織網
引進鏈接：https://phys.org/news/2020-08-artificial-intelligence-continental-hydrology.html


關注【深圳科普】微信公眾號，在對話框：
回複【最新活動】，了解近期科普活動
回複【科普行】，了解最新深圳科普行活動
回複【研學營】，了解最新科普研學營
回複【科普課堂】，了解最新科普課堂
回複【科普書籍】，了解最新科普書籍
回複【團體定製】，了解最新團體定製活動
回複【科普基地】，了解深圳科普基地詳情
回複【觀鳥星空体育官网入口网站】，學習觀鳥相關科普星空体育官网入口网站