Искусственный интеллект применят в изучении гидрологии континентов
28 августа 2020 г.
Международная команда ученых научила нейронную сеть распознавать реки и озёра по спутниковым данным. Результаты исследования опубликованы в журнале Geophysical Research Letters.
Изменения общего объема водных масс на континентах ученые давно научились обнаруживать с помощью искусственных спутников Земли. Наборы данных о гравитационном поле планеты, необходимые для этого, были собраны в ходе спутниковых миссий GRACE и GRACE-FO. Но по этим данным невозможно определить фактическое распределение водных масс в реках и речных рукавах. Используя в качестве примера Южноамериканский континент, ученые из Потсдамского центра наук о Земле имени Гельмгольца разработали и успешно применили на практике новый метод глубокого обучения ИИ, который количественно оценивает как небольшие, так и крупномасштабные изменения в водных хранилищах на основе спутниковых данных. Этот новый метод умело сочетает в себе глубокое обучение, гидрологические модели, гравиметрические и альтиметрические наблюдения Земли.
Пока точно не известно, сколько воды действительно хранит Южноамериканский континент. Помимо водных масс рек и других пресных водоемов, значительные объемы воды также находятся в почве, снеге и подземных водоемах, которые трудно измерить напрямую.
Исследовательская группа, возглавляемая Кристофером Ирргангом, разработала новый метод, позволяющий сделать выводы о запасах воды на Южноамериканском континенте. «Для так называемого уменьшения масштаба мы используем сверточную нейронную сеть», – говорит Иррганг. «Эта сеть особенно хорошо подходит для обработки данных наблюдений за Землей, так как они могут надежно идентифицировать повторяющиеся визуальные объекты, такие как линии, края или более сложные формы и характеристики».
Нейронная сеть была обучена на основе данных гидрологической модели за период с 2003 по 2018 год. Кроме того, для исследования использовались данные спутниковой альтиметрии в районе Амазонки. Необычно то, что нейронная сеть непрерывно самокорректируется и проверяет свои же результаты, снижая погрешности и повышая точность исследования.
Исследование показывает, что новый метод глубокого обучения особенно надежен для тропических регионов к северу от −20 ° широты на южноамериканском континенте, где расположены тропические леса, крупные речные бассейны, а также большие бассейны подземных вод.
Читать подробней: Self‐validating deep learning for recovering terrestrial water storage from gravity and altimetry measurements
Источник: Geophysical Research Letters
Перевод/адаптация текста: "Вестник ОНЗ РАН"