新人工智能制作更好的永久冻土地图

人工智能对北极永久冻土覆盖率的新见解可能很快就会为政策制定者和土地管理者提供所需的高分辨率视图，以预测气候变化对石油管道、道路和国家安全设施等基础设施的威胁。

洛斯阿拉莫斯国家实验室的奇克·凯勒博士后研究员埃文·泰勒说:“北极的变暖速度是全球其他地区的四倍，永久冻土是北极变化非常迅速的组成部分。”

泰勒是通讯作者在杂志上发表的论文的作者地球和空间科学人工智能在冻土数据中的创新应用。

Thaler说:“目前的模型没有给出理解冻土融化如何改变环境和影响基础设施所需的分辨率。”

“我们的模型创建了高分辨率地图，告诉我们永久冻土现在在哪里，以及未来可能发生变化的地方。”

人工智能模型还识别出驱动预测的景观和生态特征，例如植被绿化、景观坡角和积雪持续时间。

人工智能与现场数据

Thaler与洛斯阿拉莫斯的研究员Joel Rowland、Jon Schwenk和Katrina Bennett以及劳伦斯伯克利国家实验室的合作者组成了一个团队，该团队使用了一种称为监督机器学习的人工智能形式。

这项工作测试了三种不同人工智能方法的准确性，这些方法是由洛斯阿拉莫斯研究人员从阿拉斯加苏厄德半岛上三个具有不规则永久冻土的流域收集的野外数据。

Thaler说，永久冻土，即保持在冰点以下两年或更长时间的地面，覆盖了北半球约六分之一的裸露土地。

永久冻土的融化已经破坏了道路、输油管道和其他建在其上的设施，并带来了一系列环境危害。

随着气候变化导致气温变暖，融化的地面释放出水分。

它流向地势较低的地区、河流、湖泊和海洋，导致地表下沉、运送矿物质、改变地下水的流向、改变土壤化学成分并向大气释放碳。

有用的结果

例如，目前使用最广泛的泛北极永久冻土模型的分辨率约为三分之一平方英里，对于预测永久冻土的变化将如何破坏道路或管道来说过于粗略。

新的洛斯阿拉莫斯人工智能模型确定地表永久冻土覆盖率的分辨率略低于100平方英尺，比典型的停车位还小，对于评估特定位置的风险来说更实用。

使用他们在苏厄德半岛三个地点的数据上训练的人工智能模型，该团队生成了一张地图，显示苏厄德地点周围没有任何永久冻土的大片区域，与现场数据匹配的准确率为83%。

使用泛北极模型进行比较，研究小组生成了一张相同地点的地图，准确率仅为50%。

Thaler说:“这是迄今为止精度最高的泛北极产品，但对于特定地点的预测来说显然不够好。”

“泛北极产品预测该地区100%是永久冻土，但我们的模型预测只有68%，我们知道这更接近基于实地数据的真实百分比。”

喂养人工智能模型

这项初步研究证明了洛斯阿拉莫斯模型在苏厄德数据上的概念，为与现场数据采集位置相似的地形提供了可接受的精度。

为了衡量每个模型的可移植性，该团队还根据一个站点的数据对其进行了训练，然后使用另一个具有不同地形的站点的数据运行该模型，该模型尚未在该站点进行训练。通过创建与第二个站点的实际发现相匹配的地图，没有一个模型能够很好地转换。

Thaler表示，该团队将在人工智能算法方面做更多工作，以提高该模型在北极其他地区的可移植性。

“我们希望能够在一个数据集上进行训练，然后将模型应用到它以前没有见过的地方。我们只是需要更多来自更多样化景观的数据来训练模型，我们希望很快收集这些数据，”他说。

该研究的一部分涉及比较三种不同人工智能方法的准确性-极度随机化的树，支持向量机和人工神经网络-以查看哪种模型最接近匹配在苏厄德半岛实地观察中收集的“地面真相”数据。

其中一部分数据被用于训练人工智能模型。然后，每个模型根据预测近地表永久冻土范围的未知数据生成一张地图。

尽管洛斯阿拉莫斯的研究表明，与最佳且广泛使用的泛北极模型相比，该研究小组的三个人工智能模型的结果喜忧参半，其中支持向量机最有希望实现可移植性。

来源: Materials provided by DOE/Los Alamos National Laboratory.
注明: Content may be edited for style and length. Journal Reference: E. A. Thaler, S. Uhleman, J. C. Rowland, J. Schwenk, C. Wang, B. Dafflon, K. E. Bennett. High‐Resolution Maps of Near‐Surface Permafrost for Three Watersheds on the Seward Peninsula, Alaska Derived From Machine Learning. Earth and Space Science, 2023; 10 (12) DOI: 10.1029/2023EA003015