機器學(xué)習(xí)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(fù)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。現(xiàn)在，我們越來越多地使用這些相同的算法來為我們進(jìn)行環(huán)境預(yù)測。

來自明尼蘇達(dá)大學(xué)、匹茲堡大學(xué)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(yīng)用數(shù)學(xué)學(xué)會 (SIAM) 數(shù)據(jù)挖掘國際會議 (SDM21)上發(fā)表了一項關(guān)于預(yù)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(xué)基金會 (NSF) 資助。

該研究展示了一種新的機器學(xué)習(xí)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(yù)測并將算法引導(dǎo)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(zhǔn)確地預(yù)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(xué)計算機與信息學(xué)院計算機科學(xué)系助理教授 。“準(zhǔn)確預(yù)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(xué)習(xí)的一個普遍批評是預(yù)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(dá)大學(xué)科學(xué)與工程學(xué)院計算機科學(xué)與工程系的畢業(yè)生，他的同事使用“過程引導(dǎo)或知識引導(dǎo)的機器學(xué)習(xí)”。該方法應(yīng)用于特拉華河流域 (DRB) 的水溫預(yù)測用例，旨在克服使用機器學(xué)習(xí)進(jìn)行預(yù)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(xué)習(xí)模型——時間相關(guān)性、流之間的空間連接和能量預(yù)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(yù)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(yù)測在 DRB 中的重要性?？梢暬故玖松鐣λ疁仡A(yù)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(dāng)水庫管理者預(yù)計水溫將超過臨界閾值時，他們可以釋放冷水，準(zhǔn)確的水溫預(yù)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(xué)家和明尼蘇達(dá)大學(xué)雙城分校計算機科學(xué)家在 科學(xué)與工程學(xué)院計算機科學(xué)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(dǎo)機器學(xué)習(xí)技術(shù)。

“這些以知識為導(dǎo)向的機器學(xué)習(xí)技術(shù)從根本上比科學(xué)界用來解決環(huán)境問題的標(biāo)準(zhǔn)機器學(xué)習(xí)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(xué)習(xí)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(yù)測。

在 由明尼蘇達(dá)大學(xué)計算機科學(xué)與工程系博士領(lǐng)導(dǎo)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(yù)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(dǎo)的機器學(xué)習(xí)模型來解決最具挑戰(zhàn)性的環(huán)境預(yù)測問題之一——在不受監(jiān)控的生態(tài)系統(tǒng)中進(jìn)行預(yù)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(jìn)行準(zhǔn)確預(yù)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(yù)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(zé)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(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！