機器學習算法每天為我們做很多事情——將不需要的電子郵件發(fā)送到我們的垃圾郵件文件夾，在我們的汽車即將恢復正常時警告我們，并就接下來要看的電視節(jié)目向我們提供建議?，F(xiàn)在，我們越來越多地使用這些相同的算法來為我們進行環(huán)境預測。

來自明尼蘇達大學、匹茲堡大學和美國地質(zhì)調(diào)查局的一組研究人員最近 在 2021 年工業(yè)和應用數(shù)學學會 (SIAM) 數(shù)據(jù)挖掘國際會議 (SDM21)上發(fā)表了一項關(guān)于預測河網(wǎng)流量和溫度的 新研究) 訴訟。該研究由美國國家科學基金會 (NSF) 資助。

該研究展示了一種新的機器學習方法，其中算法被“教授”物理世界的規(guī)則，以便做出更好的預測并將算法引導到輸入和輸出之間具有物理意義的關(guān)系。

該研究提出了一個模型，即使在可用數(shù)據(jù)很少的情況下，也可以更準確地預測河流和溪流的溫度，大多數(shù)河流和溪流都是這種情況。該模型還可以更好地泛化到不同的時間段。

“溪流中的水溫是許多重要水生系統(tǒng)的‘主變量’，包括水生棲息地的適宜性、蒸發(fā)率、溫室氣體交換和熱電能源生產(chǎn)效率，”該研究的第一作者賈曉偉說。 匹茲堡 大學計算機與信息學院計算機科學系助理教授 。“準確預測水溫和流量也有助于資源管理者的決策，例如幫助他們確定何時以及從水庫向下游河流釋放多少水。

對機器學習的一個普遍批評是預測并不植根于物理意義。也就是說，算法只是尋找輸入和輸出之間的相關(guān)性，有時這些相關(guān)性可能是“虛假的”或給出錯誤的結(jié)果。該模型通常無法處理輸入和輸出之間的關(guān)系發(fā)生變化的情況。

賈發(fā)表的新方法，他也是 2020 年的博士。明尼蘇達大學科學與工程學院計算機科學與工程系的畢業(yè)生，他的同事使用“過程引導或知識引導的機器學習”。該方法應用于特拉華河流域 (DRB) 的水溫預測用例，旨在克服使用機器學習進行預測的一些常見缺陷。該方法通過一個相對簡單的過程通知機器學習模型——時間相關(guān)性、流之間的空間連接和能量預算方程。

河流溫度動態(tài)的數(shù)據(jù)稀疏性和可并不是特拉華河流域獨有的。相對于美國的大部分地區(qū)，特拉華河流域的水溫監(jiān)測良好。因此，特拉華河流域是開發(fā)河流溫度預測新方法的理想場所。

美國地質(zhì)調(diào)查局發(fā)布的交互式視覺解釋器 強調(diào)了這些模型的發(fā)展以及水溫預測在 DRB 中的重要性?？梢暬故玖松鐣λ疁仡A測的需求，水庫為超過 1500 萬人提供飲用水，但也有競爭性的用水需求，以維持重要游魚物種的下游流量和冷水棲息地。當水庫管理者預計水溫將超過臨界閾值時，他們可以釋放冷水，準確的水溫預測是僅在必要時使用有限水資源的關(guān)鍵。

最近的研究建立在美國地質(zhì)調(diào)查局的水科學家和明尼蘇達大學雙城分校計算機科學家在 科學與工程學院計算機科學與工程系Vipin Kumar 教授實驗室的合作基礎(chǔ)上 ，研究人員一直在那里開發(fā)知識引導機器學習技術(shù)。

“這些以知識為導向的機器學習技術(shù)從根本上比科學界用來解決環(huán)境問題的標準機器學習方法和傳統(tǒng)機械模型更強大，”庫馬爾說。

由 NSF 的利用數(shù)據(jù)革命計劃資助的新一代機器學習方法正被用于解決各種環(huán)境問題，例如改善湖泊和河流溫度預測。

在 由明尼蘇達大學計算機科學與工程系博士領(lǐng)導的美國地球物理聯(lián)盟水資源研究中心另一項由 NSF 資助的關(guān)于預測未監(jiān)測湖泊水溫動態(tài)的新研究中。在候選人 Jared Willard 的帶領(lǐng)下，研究人員展示了如何使用知識引導的機器學習模型來解決最具挑戰(zhàn)性的環(huán)境預測問題之一——在不受監(jiān)控的生態(tài)系統(tǒng)中進行預測。

模型從觀測良好的湖泊轉(zhuǎn)移到觀測很少或沒有觀測的湖泊，即使在不存在溫度觀測的湖泊中也能進行準確預測。研究人員表示，他們的方法很容易擴展到數(shù)千個湖泊，這表明該方法(具有有意義的預測變量和高質(zhì)量的源模型)是未來許多未受監(jiān)控系統(tǒng)和環(huán)境變量的有前途的方法。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！