توسط دانشگاه مینه سوتا22 ژوئن 2021
الگوریتم های یادگیری ماشینی هر روز کارهای زیادی برای ما انجام می دهند – ایمیل ناخواسته را به پوشه هرزنامه ما بفرستند ، اگر اتومبیل ما قصد دارد به چیزی برخورد کند به ما هشدار دهد و در مورد نمایش تلویزیونی بعدی به ما توصیه کند. اکنون ، ما به طور فزاینده ای از همین الگوریتم ها برای پیش بینی وضعیت محیط زیست استفاده می کنیم.
تیمی از محققان دانشگاه مینه سوتا ، دانشگاه پیتسبورگ و سازمان زمین شناسی ایالات متحده اخیراً مطالعه جدیدی را در مورد پیش بینی جریان و دما در شبکه های رودخانه ای در کنفرانس بین المللی داده کاوی انجمن ریاضیات صنعتی و کاربردی (SIAM) سال 2021 (SDM21) منتشر کردند .
این تحقیق یک روش جدید یادگیری ماشینی را نشان می دهد که در آن به الگوریتم قوانین جهان فیزیکی “آموزش داده می شود” تا بتواند پیش بینی های بهتری داشته باشد و الگوریتم را به سمت روابط معنادار فیزیکی بین ورودی و خروجی سوق دهد.
این مطالعه مدلی را ارائه می دهد که می تواند پیش بینی دمای رودخانه و جریان رودخانه را با دقت بیشتری انجام دهد ، حتی وقتی اطلاعات کمی در دسترس باشد ، این مورد در بیشتر رودخانه ها وجود دارد. این مدل همچنین می تواند به دوره های زمانی مختلف تعمیم بهتری داشته باشد.
Xiaowei Jia ، سرپرست نویسنده متن این مطالعه گفت: “دمای آب در جریان ها برای بسیاری از سیستم های مهم آبی” متغیر اصلی “است ، از جمله مناسب بودن زیستگاه های آبزیان ، میزان تبخیر ، تبادل گاز گلخانه ای و بازده تولید انرژی گرمایی. این استادیار در گروه علوم کامپیوتر دانشگاه پیتسبورگ در دانشکده محاسبات و اطلاعات ادامه داد: “پیش بینی دقیق دمای آب و جریان نیز در تصمیم گیری برای مدیران منابع کمک می کند ، به عنوان مثال به آنها کمک می کند تا تعیین کنند چه زمانی و چه مقدار آب از مخازن به رودخانه های پایین دست آزاد شود.
یک انتقاد رایج از یادگیری ماشینی این است که ریشه این پیش بینی ها در معنای فیزیکی نیست. یعنی الگوریتم ها در حال یافتن همبستگی بین ورودی و خروجی هستند و گاهی اوقات این همبستگی ها می توانند “جعلی” باشند یا نتایج نادرستی به دست دهند. این مدل اغلب قادر به مدیریت شرایطی نیست که رابطه بین ورودی و خروجی تغییر کند.
روش جدید منتشر شده توسط جیا ، که فارغ التحصیل دپارتمان علوم و مهندسی کامپیوتر دانشگاه مینه سوتا در دانشکده علوم و مهندسی است و همکارانش از “یادگیری ماشین به روش فرایند یا راهنمای دانش” استفاده می کنند. این روش برای موارد استفاده از پیش بینی دمای آب در حوضه رودخانه دلاور (DRB) اعمال می شود و برای غلبه بر برخی از مشکلات رایج پیش بینی با استفاده از یادگیری ماشینی طراحی شده است. این روش با یک فرآیند نسبتاً ساده – همبستگی در طول زمان ، اتصالات فضایی بین جریان ها و معادلات بودجه انرژی را به مدل یادگیری ماشینی اطلاع می دهد.
پراکندگی و تنوع داده ها در پویایی دمای جریان منحصر به حوضه رودخانه دلاور نیست. حوضه رودخانه دلاور نسبت به بیشتر قاره ایالات متحده آمریکا به خوبی از نظر درجه حرارت آب کنترل می شود. حوضه رودخانه دلاور مکانی ایده آل برای توسعه روش های جدید برای پیش بینی دمای جریان است.
مطالعه اخیر بر اساس همکاری بین دانشمندان آب در سازمان زمین شناسی ایالات متحده و دانشمندان علوم کامپیوتر دانشگاه دوقلوی شهر مینه سوتا در آزمایشگاه پروفسور Vipin Kumar در گروه علوم و مهندسی کامپیوتر دانشکده علوم و مهندسی ، جایی که محققان در حال توسعه دانش هدایت دانش هستند ، ساخته شده است.
کومار گفت: “این تکنیک های یادگیری ماشینی با هدایت دانش اساساً قدرتمندتر از رویکردهای یادگیری ماشینی استاندارد و مدل های مکانیکی سنتی هستند که توسط جامعه علمی برای رفع مشکلات زیست محیطی استفاده می شود.”
این نسل جدید از روش های یادگیری ماشین ، که توسط NSF’s Harnessing the Data Revolution Program تأمین می شود ، برای رفع انواع مشکلات زیست محیطی مانند بهبود پیش بینی دمای دریاچه و جریان استفاده می شود.
