Искусственный интеллект изучает континентальную гидрологию

Изменения водных масс, которые хранятся на континентах, можно обнаружить с помощью спутников. Наборы данных о гравитационном поле Земли, необходимые для этого, получены в результате спутниковых миссий GRACE и GRACE-FO. Поскольку эти наборы данных включают только типичные крупномасштабные массовые аномалии, невозможно сделать выводы о мелкомасштабных структурах, таких как фактическое распределение водных масс в реках и речных рукавах. На примере южноамериканского континента специалисты по моделированию земной системы из Немецкого исследовательского центра геонаук GFZ разработали новый метод глубокого обучения, который количественно оценивает как небольшие, так и крупномасштабные изменения в водном хранилище с помощью спутниковые данные. Этот новый метод умело сочетает в себе глубокое обучение, гидрологические модели и наблюдения Земли с помощью гравиметрии и альтиметрии, сообщает сайт kilimandjara.

Пока точно не известно, сколько воды действительно хранит континент. Континентальные водные массы также постоянно меняются, что влияет на вращение Земли и действует как звено в круговороте воды между атмосферой и океаном. Например, притоки Амазонки в Перу в одни годы несут огромное количество воды, а в другие — лишь небольшую ее часть. Помимо водных масс рек и других пресных водоемов, значительные объемы воды также находятся в почве, снеге и подземных водоемах, которые трудно измерить напрямую.

Теперь исследовательская группа, возглавляемая главным автором Кристофером Ирргангом, разработала новый метод, чтобы сделать выводы о запасах воды на южноамериканском континенте на основе спутниковых данных с грубым разрешением. «Для так называемого уменьшения масштаба мы используем сверточную нейронную сеть, сокращенно CNN, в связи с недавно разработанным методом обучения», — говорит Иррганг. «CNN особенно хорошо подходят для обработки пространственных наблюдений Земли, потому что они могут надежно извлекать повторяющиеся шаблоны, такие как линии, края или более сложные формы и характеристики».

Чтобы узнать связь между континентальным водным хранилищем и соответствующими спутниковыми наблюдениями, CNN была обучена с данными моделирования числовой гидрологической модели за период с 2003 по 2018 год. Кроме того, для исследования использовались данные спутниковой альтиметрии в районе Амазонки. Проверка. Что необычно, так это то, что эта CNN непрерывно самокорректируется и проверяется, чтобы сделать наиболее точные заявления о распределении водохранилища. «Таким образом, эта CNN сочетает в себе преимущества численного моделирования с высокоточным наблюдением Земли», — сказал Иррганг.

Исследование исследователей показывает, что новый метод глубокого обучения особенно надежен для тропических регионов к северу от -20 ° широты на южноамериканском континенте, где расположены тропические леса, обширные поверхностные воды, а также большие бассейны подземных вод. То же, что и для богатой грунтовыми водами западной части южной оконечности Южной Америки. Уменьшение масштаба менее эффективно в засушливых и пустынных регионах. Это можно объяснить сравнительно низкой вариабельностью и без того низкого запаса воды там, что, следовательно, имеет лишь маргинальное влияние на обучение нейронной сети. Однако для региона Амазонки исследователи смогли показать, что прогноз подтвержденной CNN был более точным, чем использованная численная модель.

В будущем срочно потребуются крупномасштабный, а также региональный анализ и прогнозы глобального континентального водохранилища. Дальнейшая разработка численных моделей и сочетание с инновационными методами глубокого обучения будут играть более важную роль в этом, чтобы получить всестороннее представление о континентальной гидрологии. Помимо чисто геофизических исследований, существует множество других возможных применений, таких как изучение воздействия изменения климата на гидрологию континентов, определение факторов стресса для экосистем, таких как засухи или наводнения, и разработка стратегий управления водными ресурсами для сельскохозяйственных и городских регионов.