图片来源：CC0 Public Domain
机器学习算法每天都在为我们做很多事情——将我们不需要的电子邮件转到邮件的垃圾箱，在汽车出现故障时发出警告，甚至会为我们提出有关电视节目的建议。现在，我们同样倾向于用这些算法来进行环境预测。
明尼苏达大学、匹兹堡大学以及美国地质调查局的一组研究人员最近在2021年工业和应用数学学会（SIAM）的数据挖掘国际会议（SDM21）上发表了一篇关于预测河流流量和水温的新研究报告。
该研究展示了一种用物理规则“教”机器学习的新方法，它可以做出更好的预测，并且能体现出输入和输出之间的物理联系。
该研究提出了一个模型，即使在可用数据很少的情况下也可以更为准确的预测大多数河流、溪流的温度。这个模型还可以更好地应用于到不同的时间段。
“溪流的水温是衡量许多重要水生系统（如水生栖息地宜居性、蒸发率、温室气体交换和热电能源生产体系等）的‘主要变量’。准确预测水温和流量也有助于管理者决策，例如帮助他们确定什么时候该从水库中释放多少水量到下游。”该研究的第一作者、匹兹堡大学计算机信息与科学系助理教授Xiaowei Jia说道。
人们普遍认为机器学习具有一个缺点，它的预测不具有物理意义。也就是说，算法只是在寻找输入和输出之间的相关性。有些时候，这种相关性可能是“虚假的”或者会给出错误的结果。
特拉华河流域 图片来源：维基百科
2020年，明尼苏达大学计算机科学与工程系博士生Jia发表“过程引导或知识引导的机器学习”算法。该方法能应用于对特拉华河流域（DRB）的水温进行预测，并试图克服机器学习在预测时的一些常见缺陷。该方法通过一个相对简单的过程将河流的时间、空间相关性和能量预算方程输入到机器学习模型中。
并不只是特拉华河流域具有河流温度动态数据的稀疏性和可变性等特点。相对于美国大陆的大部分地域，特拉华河流域的水温受到了很好的监测。因此，特拉华河流域是开发河流温度预测新方法的理想场所。
图片来源：Pixabay
美国地质调查局发布一个交互式的视觉解说器，强调了这些模型发展以及对特拉华河流域进行水温预测的重要性。通过可视化的方式，他们展示了社会对水温预测的需求。水库不仅需要为超过1500万人提供饮用水，同时还需要维持其下游重要的游鱼物种需要的水量和冷水栖息地。当水库管理者预计水温将超过临界阈值时，他们可以释放冷水，准确的水温预测在使用有限的水资源中至关重要。
该研究由美国地质调查局的水资源科学家和明尼苏达大学双城分校计算机科学与工程系Vipin Kumar实验室共同完成。研究人员一直在此开发知识引导的机器学习技术。
Kumar说：“这些以知识为导向的机器学习技术，从根本上比科学界用以解决环境问题的标准机器学习方法和传统模型更为强大。”
这些由美国国家科学基金会（NSF）的“数据革新”计划资助的新一代机器学习方法，正被用于解决如提升湖泊、河流温度预测等各种环境问题。
在美国地球物理联盟水资源研究中心，另一项由NSF资助的、预测未监测湖泊动态水温的新研究中，明尼苏达大学计算机科学与工程系准博士Jared Willard等人展示了如何使用知识引导的机器学习模型，来解决最具挑战性的环境预测问题之一——在不受监控的生态系统中进行预测。
当模型被从被频繁观测的湖泊转到观测很少或没有观测的湖泊时，即使在没有进行温度监测的湖泊中也能进行准确的预测。研究人员表示，他们的方法适用于扩展到数千个湖泊的监测，这表明这种方法在未来用于许多未受监控系统和环境变量十分有前景。
翻译：彭琛
审校：董子晨曦
引进来源：明尼苏达大学
本文来自：中国数字科技馆
特别声明：本文转载仅仅是出于科普传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或其它相关事宜，请与我们接洽。
[责任编辑：环球科学]
京公网安备11010502039775号
