当前位置:首页 > 资讯 > 正文

人工智能在气象及水文预测方向的应用

人工智能在气象及水文预测方向的应用  第1张

宾夕法尼亚州立大学领导的一个研究小组正在利用降水、气温和水汽压等天气数据来预测全国各地偏远河流中的溶解氧浓度。研究小组说,在偏远地区收集河流水样的难度和费用导致了可用的水化学数据存在巨大差异,有时甚至存在长达数十年的数据空白。该团队正在使用人工智能来预测水质,以填补数据的空白。这样可以使人们更好地了解气候变化情况以及河流对人类的干扰。

研究人员开发了一个模型,可以在全美范围内轻度监测的水域中预测溶解氧(DO),溶解氧是水域维持生态能力的关键指标。一般来说,河流和溪流中的溶解氧反映了它们的生态系统,因为某些生物体产生氧气,而有些生物体消耗氧气。宾夕法尼亚州立大学土木与环境工程教授LILI说,溶解氧会因季节和海拔而变化,该地区的当地天气条件也会随之波动。

人们通常认为溶解氧是由水流生物和地球化学过程驱动的,例如鱼在水中呼吸或水生植物在晴天活动,但天气也可能是一个主要驱动因素。水文气象条件,包括温度和阳光正在影响水中的生命,而反过来也会影响溶解氧的浓度水平。

与水化学数据相比,记录水在地球表面和大气之间运动的水文气象数据的频率要高得多,空间覆盖范围也更广。研究小组推测,全国性的水文气象数据库,包括气温、降水量和河流流量等测量数据,可以用来预测偏远地区的溶解氧浓度。研究小组希望发现可用的水文气象数据之间是否有足够的相关性,甚至可以用相关性间接做出预测,帮助填补河流水化学数据的空白。

据宾夕法尼亚州立大学土木与环境工程副教授介绍,该模型是通过一种被称为长短时记忆(LSTM)网络的人工智能框架创建的,这种方法用于模拟自然的“存储和释放”系统。把系统想成一个盒子,它可以以特定的速率吸收水并储存在一个水箱中,而另一边则以不同的速率释放水,每个速率都是由训练决定的。过去曾用它来模拟土壤湿度、降雨流量、水温,现在又用它来模拟溶解氧。

研究人员从美国流域属性和气象学大样本研究流域数据集(CAMELS)水文数据库获得数据,其中包括最近增加的1980年至2014年最小扰动流域的河流水化学数据。在“CAMELS”数据集中的505个流域中,研究小组发现了236个流域在35年的跨度中至少需要10次溶解氧的浓度测量值。

为了训练LSTM网络并创建模型,他们使用了1980年至2000年的流域数据,包括溶解氧浓度、每日水文气象测量和流域属性,如地形、土地覆盖和植被等。研究小组随后用2001年至2014年剩余的溶解氧数据测试了该模型的准确性,发现该模型总体上了解溶解氧的溶解度动态,包括在较高的水温和海拔高度下氧气是如何减少的。在近四分之三的测试案例中,它也具有很强的预测能力。

该模型在大陆范围内许多不同流域条件下学习溶解氧动态的效果非常好,尤其在具有稳定的溶解氧水平和稳定的水流条件的地区表现最好,但预测能力的提高将需要更多具有较高溶解氧和水流变化流域的数据。如果能收集更多的样本,捕捉溶解氧水平的高峰和低谷,研究人员就能够在训练过程中反映出来,并在未来提高系统的预测能力。

声明:本文版权归原作者所有,转载请注明出处,请勿转载至外网或用于商业用途。