机器学习算法每天为人类完成很多琐事，例如将不需要的电子邮件归类到垃圾邮件文件夹，为用户推荐可能喜欢的电视节目。现在，我们越来越多地使用这些算法来进行环境预测。
来自明尼苏达大学、匹兹堡大学和美国地质调查局的一组研究人员最近发表了一项关于预测河网流量和温度的新研究论文。该研究展示了一种新的机器学习方法，其中的算法学习了物理世界的规则，能做出更好的预测。
该研究提出了一个模型，即使在可用数据很少的情况下，也可以更准确地预测河流和溪流的温度。该模型还可以更好地泛化到不同的时间段。溪流中的水温是许多重要水生系统的‘主变量’，包括水生栖息地的适宜性、蒸发率、温室气体交换和热电能源生产效率，该研究的第一作者贾晓伟（音译）表示。准确预测水温和流量也有助于资源管理者的决策，例如帮助他们确定何时以及从水库向下游河流放多少水。
对机器学习的一个普遍批评是其预测并不基于物理规则，也就是说，算法只是寻找输入和输出之间的相关性，有时这些相关性可能是“虚假的”或给出错误的结果，所以模型通常无法处理输入和输出之间的关系发生变化的情况。
贾发表的新方法是他和同事使用“过程引导或知识引导的机器学习”，该方法应用于特拉华河流域 (DRB) 的水温预测用例，旨在克服使用机器学习进行预测的一些常见缺陷。该方法通过一个相对简单的步骤时间相关性、河流之间的空间连接和能量预算方程来熟悉机器学习模型。
河流温度动态的数据稀疏性和可变性并不是特拉华河流域独有的，相对于美国大陆的大部分地区，特拉华河流域的水温监测良好。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，这里的水库为超过 1500 万人提供饮用水，但同时也有竞争性的水需求，比如生态环境需要一定水量来维持重要游鱼物种的下游流量和冷水栖息地。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，准确的水温预测是节约水资源的关键。
最近的研究在美国地质调查局和明尼苏达大学实验室的合作基础上进行，研究人员一直在那里开发知识引导的机器学习技术。这些以知识为导向的机器学习技术从根本上比科学界用来解决环境问题的标准机器学习方法和传统机械模型更强大，这些新一代机器学习方法正被用于解决各种环境问题，例如改善湖泊和河流温度预测。
在由明尼苏达大学与美国地球物理联盟水资源研究中心的关于预测未监测湖泊水温动态的新研究中，研究人员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，即在不受监控的生态系统中进行预测。模型一开始在观测良好的湖泊中运行，后来即使在不存在温度观测的湖泊中也能进行准确预测。研究人员表示，他们的方法很容易扩展到数千个湖泊，这表明该方法对于未来许多未受监控的系统和环境变量是有效的。
本文由升哲科技编译，转载请注明来自sensoro.com
