Kunstig intelligens lærer kontinental hydrologi

Ændringer i vandmasser, som er lagret på kontinenterne, kan detekteres ved hjælp af satellitter. De datasæt om Jordens gravitationsfelt, som er nødvendige for dette, stammer fra GRACE- og GRACE-FO-satellitmissionerne. Da disse datasæt kun omfatter de typiske masseanomalier i stor skala, ingen konklusioner om småskala strukturer, såsom den faktiske fordeling af vandmasser i floder og flodgrene, er mulige. Ved at bruge det sydamerikanske kontinent som eksempel, jordsystemmodellerne ved det tyske forskningscenter for geovidenskab GFZ, har udviklet en ny Deep-Learning-Metode, som kvantificerer små såvel som store ændringer af vandlageret ved hjælp af satellitdata. Denne nye metode kombinerer på en smart måde Deep-Learning, hydrologiske modeller og jordobservationer fra gravimetri og højdemetri.

Indtil videre vides det ikke præcist, hvor meget vand et kontinent egentlig gemmer. De kontinentale vandmasser ændrer sig også konstant, påvirker dermed Jordens rotation og fungerer som bindeled i vandets kredsløb mellem atmosfære og hav. Amazonas bifloder i Peru, for eksempel, bære enorme mængder vand i nogle år, men kun en brøkdel af det i andre. Ud over vandmasserne i floder og andre ferskvandsforekomster, betydelige mængder vand findes også i jorden, sne og underjordiske reservoirer, som er svære at kvantificere direkte.

Nu udviklede forskerholdet omkring den primære forfatter Christopher Irrgang en ny metode for at drage konklusioner om de lagrede vandmængder på det sydamerikanske kontinent ud fra de groft opløste satellitdata. "For den såkaldte nedskalering, vi bruger et konvolutionelt neuralt netværk, kort sagt CNN, i forbindelse med en nyudviklet træningsmetode, " siger Irrgang. "CNN'er er særligt velegnede til at behandle rumlige jordobservationer, fordi de pålideligt kan udtrække tilbagevendende mønstre såsom linjer, kanter eller mere komplekse former og karakteristika."

For at lære sammenhængen mellem kontinental vandlagring og de respektive satellitobservationer, CNN blev trænet med simuleringsdata af en numerisk hydrologisk model i perioden fra 2003 til 2018. Derudover, data fra satellithøjdemålingen i Amazonas-regionen blev brugt til validering. Hvad er ekstraordinært, er, at denne CNN løbende selvkorrigerer og selvvaliderer for at komme med de mest nøjagtige udsagn om fordelingen af ​​vandlageret. "Dette CNN kombinerer derfor fordelene ved numerisk modellering med jordobservation med høj præcision" ifølge Irrgang.

Forskernes undersøgelse viser, at den nye Deep-Learning-Metode er særlig pålidelig for de tropiske områder nord for -20° breddegrad på det sydamerikanske kontinent, hvor regnskove, store overfladevande og også store grundvandsbassiner er placeret. Samme som for de grundvandsrige, den vestlige del af Sydamerikas sydspids. Nedskaleringen fungerer mindre godt i tørre og ørkenområder. Dette kan forklares med den forholdsvis lave variabilitet af det allerede lave vandlager der, som derfor kun har en marginal effekt på træningen af ​​det neurale netværk. Imidlertid, for Amazonas-regionen, forskerne var i stand til at vise, at prognosen for det validerede CNN var mere nøjagtig end den anvendte numeriske model.

I fremtiden, store såvel som regionale analyser og prognoser for den globale kontinentale vandlagring vil være et presserende behov. Videreudvikling af numeriske modeller og kombinationen med innovative Deep-Learning-Methods vil spille en vigtigere rolle i dette, for at få en omfattende indsigt i kontinental hydrologi. Bortset fra rent geofysiske undersøgelser, der er mange andre mulige anvendelser, såsom at studere klimaændringernes indvirkning på kontinental hydrologi, identifikation af stressfaktorer for økosystemer såsom tørke eller oversvømmelser, og udvikling af vandforvaltningsstrategier for landbrugs- og byregioner.