人工智能利用天氣數據預測河流水質

SENSORO升哲

北京升哲科技有限公司

賓夕法尼亞州立大學領導的一個研究小組正在利用降水、氣溫和水汽壓等天氣數據來預測全國各地偏遠河流中的溶解氧濃度。研究小組說，在偏遠地區收集河流水樣的難度和費用導致了可用的水化學數據存在巨大差異，有時甚至存在長達數十年的數據空白。該團隊正在使用人工智能來預測水質，以填補數據的空白。這樣可以使人們更好地了解氣候變化情況以及河流對人類的干擾。

研究人員開發了一個模型，可以在全美範圍內輕度監測的水域中預測溶解氧(DO)，溶解氧是水域維持生態能力的關鍵指標。一般來說，河流和溪流中的溶解氧反映了它們的生態系統，因為某些生物體產生氧氣，而有些生物體消耗氧氣。賓夕法尼亞州立大學土木與環境工程教授LILI說，溶解氧會因季節和海拔而變化，該地區的當地天氣條件也會隨之波動。

人們通常認為溶解氧是由水流生物和地球化學過程驅動的，例如魚在水中呼吸或水生植物在晴天活動，但天氣也可能是一個主要驅動因素。水文氣象條件，包括溫度和陽光正在影響水中的生命，而反過來也會影響溶解氧的濃度水平。

與水化學數據相比，記錄水在地球表面和大氣之間運動的水文氣象數據的頻率要高得多，空間覆蓋範圍也更廣。研究小組推測，全國性的水文氣象數據庫，包括氣溫、降水量和河流流量等測量數據，可以用來預測偏遠地區的溶解氧濃度。研究小組希望發現可用的水文氣象數據之間是否有足夠的相關性，甚至可以用相關性間接做出預測，幫助填補河流水化學數據的空白。

據賓夕法尼亞州立大學土木與環境工程副教授介紹，該模型是通過一種被稱為長短時記憶(LSTM)網絡的人工智能框架創建的，這種方法用於模擬自然的“存儲和釋放”系統。把系統想成一個盒子，它可以以特定的速率吸收水並儲存在一個水箱中，而另一邊則以不同的速率釋放水，每個速率都是由訓練決定的。過去曾用它來模擬土壤濕度、降雨流量、水溫，現在又用它來模擬溶解氧。

研究人員從美國流域屬性和氣象學大樣本研究流域數據集（CAMELS）水文數據庫獲得數據，其中包括最近增加的1980年至2014年最小擾動流域的河流水化學數據。在“CAMELS”數據集中的505個流域中，研究小組發現了236個流域在35年的跨度中至少需要10次溶解氧的濃度測量值。

為了訓練LSTM網絡並創建模型，他們使用了1980年至2000年的流域數據，包括溶解氧濃度、每日水文氣象測量和流域屬性，如地形、土地覆蓋和植被等。研究小組隨後用2001年至2014年剩餘的溶解氧數據測試了該模型的准確性，發現該模型總體上了解溶解氧的溶解度動態，包括在較高的水溫和海拔高度下氧氣是如何減少的。在近四分之三的測試案例中，它也具有很強的預測能力。

該模型在大陸範圍內許多不同流域條件下學習溶解氧動態的效果非常好，尤其在具有穩定的溶解氧水平和穩定的水流條件的地區表現最好，但預測能力的提高將需要更多具有較高溶解氧和水流變化流域的數據。如果能收集更多的樣本，捕捉溶解氧水平的高峰和低谷，研究人員就能夠在訓練過程中反映出來，並在未來提高系統的預測能力。

聲明：本文版權歸原作者所有，轉載請注明出處，請勿轉載至外網或用於商業用途。