基于联合数据驱动和物理驱动的磁石脑深水解(DL)反转方法已成为近年来的热门话题。 当使用神经网络(NN)将观测数据(或向前建模数据)映射到电阻率模型时,结合反转电阻率向前建模响应的错误(损失)项 - 引入电磁场传播的物理信息 - 可以显着提高反转精度。 为了有效地实现大规模3D MT数据的数据物理双驱动MT深度学习反转,我们建议使用DL前向建模网络来计算这部分损失。 这种方法通过NN模拟的向前建模引入伪物理信息,进一步引导反转网络拟合。 具体来说,我们首先将前向建模网络预先训练为固定前向建模运算符,然后将其传输并集成到反转网络训练中,最后通过最小化多项式损失来优化反转网络。 理论实验结果表明,尽管DL前向建模存在一些模拟错误,但引入的伪物理信息仍然增强了反转精度,并显着减轻了训练过程中的过拟合问题。 此外,我们提出了一种新的输入模式,涉及遮蔽和向数据添加噪声,模拟3D MT反转的现场数据环境,从而使该方法在实际应用中更加灵活和有效。
本文介绍了使用基于模拟的推理(SBI)的全波形地震源反转的新框架。 传统的概率方法通常依赖于简化关于数据错误的假设,我们显示这可能导致不准确的不确定性量化。 SBI通过使用机器学习模型(称为神经密度估算器)构建数据错误的经验概率模型来解决这一限制,然后该模型可以集成到贝叶斯推理框架中。 我们将SBI框架应用于点源时刻张量反转以及联合时刻张量和时间位置倒置。 我们构建了一系列合成示例,以探索SBI解决方案的质量,并将SBI结果与标准的基于高斯可能性的贝叶斯版本进行比较。 然后,我们证明,在真正的地震噪声下,处理全波形数据的共同高斯可能性假设会产生过于自信的后验分布,这些分布低估了瞬间张量成分的不确定性,高达3倍。 我们将其与SBI进行了对比,SBI产生了与真实地震源参数大致一致的典型校准后验,并且与标准蒙特卡洛技术相比,执行推理所需的模拟数量减少了。 最后,我们将我们的方法应用于北大西洋的一对中度地震。 我们利用最近的UPFLOW海底地震仪阵列以及亚速尔群岛区域陆地站记录的地震波形,比较SBI和高斯可能性方法之间的全时张力和源时间位置后点。 我们发现,我们对SBI的适应可以直接应用于真正的地震源,以有效地产生高质量的后验分布,从而显着改善高斯的可能性方法。
支撑南极冰盖的冰架决定了向周围海洋排放冰的速度。 冰架的几何形状,因此其支撑强度,由冰流以及由大气和海洋条件控制的局部表面积累和基底融化率决定。 当代方法解决了其中一个速率,但通常不是两者兼而有之。 此外,关于它们如何及时变化的信息很少。 我们提出了一种新的方法,可以同时推断十年和百年时间尺度上平均的表面积累和基底熔融率。 我们使用雷达观察到的内部地层成像,使用内部地层成像的动力学前向模型,推断这些速率沿流线横截面的空间依赖性。 我们使用基于模拟的推理(SBI)解决逆问题。 SBI通过在向前模型的模拟上训练神经网络来近似后验分布来执行贝叶斯推理,使我们能够量化推断参数的不确定性。 我们在一个合成示例上证明了我们的方法的有效性,并将其应用于南极洲的Ekström冰架,新获得的雷达测量可用。 我们在2022年之前获得平均超过42,84,146和188年的表面积和基底熔体的后分布。 我们的研究结果表明,在南极洲的这个集水区,这一时期的大气和海洋条件稳定。 使用观察到的内部地层学可以分离表面积累和基底熔体的影响,使它们能够在过去几个世纪及以后的历史背景下进行解释。
海洋表面温度(SST)是海面热状态的基本物理参数。 由于陆地,海洋和大气之间错综复杂的热相互作用,沿海水域中SST的空间梯度通常比开放海水的空间尺度更细。 Landsat-8上的热红外传感器(TIRS)具有100米的空间分辨率,为发现粗度热传感器将忽略的精细沿海SST模式提供了一个独特的机会。 在这项研究中,我们首先分析了2014年至2023年南澳大利亚州温带沿海水域SST的时空模式,开发了一种从Landsat-8 TIRS传感器进行SST检索的操作方法。 在南澳大利亚州林肯港海岸部署了浮标,以验证SST检索的质量。 然后构建了具有100 m分辨率的SST的每日基线气候学,允许检测和分析异常SST事件。 我们的结果表明:(1)卫星衍生的SST数据与现场测量的SST值一致;(2)上斯宾塞湾和上圣文森特湾的半封闭,浅水区在夏季和冬季的温度高于靠近公海的水域,导致SST的季节性变化更高;(3)斯宾塞湾和圣文森特湾的近岸浅层区域,以及袋鼠岛周围的区域,与袋鼠岛相比,与SST相比,SST的季节性变化更高;(3)与SST海湾的近岸浅区相比,与袋鼠岛周围的区域相比,与袋鼠岛相比,SST的季节变化更高。在温暖的月份比凉爽的月份更有可能发生。 我们希望这些发现将有助于支持南澳大利亚沿海水域的渔业和水产养殖业。
尽管人工智能驱动的模型在现代降水预测中取得了显著的进步,但这些黑箱模型本质上无法加深对潜在机制的理解。 为了解决这一限制,我们提出了一个AI驱动的知识发现框架,称为遗传算法-地理加权回归(GA-GWR)。 我们的方法旨在揭示以复杂地形为标志的区域中管理降水模式与地形特征之间错综复杂关系的明确方程。 通过这个人工智能驱动的知识发现,我们发现了以前未公开的明确的方程,揭示了地形特征和降水模式之间的联系。 这些方程在应用于降水数据时表现出显着的准确性,优于传统经验模型。 值得注意的是,我们的研究表明,这些方程中的参数是动态的,适应不断变化的气候模式。 最终,公布的方程具有实际应用,特别是在使用低分辨率未来气候数据进行降水预测的精细缩小规模方面。 这种能力为未来气候情景下不同地形的降水模式的预期变化提供了宝贵的见解,这增强了我们应对当代气候科学带来的挑战的能力。
本文介绍了GeoFlood,这是一个新的开源软件包,用于解决浅水方程(SWE)在由平行的自适应库ForestClaw(Calhoun和Burstedde,2017)管理的四棵树层次结构上绘制的笛卡尔网格。 GeoFlood模型通过Neelz和Pender(2013)的标准基准测试以及历史上的Malpasset大坝故障进行了验证。 基准测试结果与从GeoClaw(Clawpack开发团队,2020年)和软件包HEC-RAS(液压工程中心河流分析系统,陆军工程兵团)获得的基准测试结果进行比较(Brunner,2018)。 Malpasset爆发的洪水结果与George(2011)(从GeoClaw软件获得),Hervouet和Petitjean(1999)的模型结果以及经验数据进行了比较。 这些比较验证了GeoFlood与其他常用模型相比的理想化基准的能力,以及它在复杂地形中高效模拟高度动态洪水的能力,与历史现场数据一致。 因为它是大规模并行和可扩展的,GeoFlood可能是以非常高的分辨率高效计算大规模洪水问题的宝贵工具。
坐标变换模型通常不能考虑非线性和空间依赖的失真,导致地理空间应用中存在重大的剩余误差。 在这里,我们提出了一个基于残余的神经修正策略,其中神经网络学习仅模拟初始几何变换留下的系统失真。 通过仅关注剩余模式,建议的方法降低了模型的复杂性并提高了性能,特别是在具有稀疏或结构化控制点配置的场景中。 我们使用具有不同失真强度和采样策略的模拟数据集以及现实世界的图像地理参考任务下评估该方法。 与直接神经网络坐标转换器和经典变换模型相比,基于残余的神经校正在具有挑战性的条件下提供更准确和稳定的结果,同时在理想情况下保持可比性能。 这些发现证明了剩余建模作为提高坐标转换精度的轻量级和稳健的替代品的有效性。
在这个贡献中,我们概括了在一系列关于模拟地震波传播的研究中提出和使用的最佳精确运算符的概念,特别是基于Geller&Takeuchi(1995)。 虽然这些运算符在数学和数值上被证明是比传统方法更准确,但该理论是专门为线性弹性连续介质的运动方程开发的。 此外,原始理论需要补偿每个术语的错误,因为错误估计期间低阶截断,这限制了其应用于偏微分方程描述的其他类型的物理。 在这里,我们提出了一种新的方法可以自动导出任意偏微分方程的数值运算符。 这些运算符涉及时间和空间上的一小部分节点(紧凑运算符),比传统的节点更准确,不需要修饰。 我们的方法评估运动方程的弱方程的公式,在泰勒扩展的帮助下开发。 我们建立了我们的新方法和经典最优精度运算符之间的联系,表明它们产生相同的系数在均匀介质中。 最后,我们在各种异构介质中执行1D Poisson问题的基准测试。 基准测试展示了我们方法与传统操作符相比的优越性,即使使用一组线性B-spline测试函数(三点帽函数)。 然而,收敛率可以取决于材料属性的波长:当材料属性具有与场相同的波长时,收敛率是O(4),而对于其他模型,其效率可能较低。
寻找集水区的初始水深到水表(DTWT)配置是使用集成模型模拟水文循环时面临的关键挑战,对模拟结果产生重大影响。 传统上,这涉及迭代自旋计算,模型在恒定的大气设置下运行,直到达到稳态。 这些所谓的模型自旋在计算上很昂贵,通常需要多年的模拟时间,特别是当最初的DTWT配置远非稳定状态时。 为了加速模型自旋过程,我们开发了HydroStartML,这是一种机器学习模拟器,在美国连续的DTWT配置上训练。 HydroStartML根据电导率和表面坡度等可用数据预测,每个流域的DTWT配置都可以用作初始DTWT。 我们的结果表明,使用HydroStartML预测初始化自旋计算会导致更快的收敛,而不是与其他初始配置(如空间恒定的DTWT)。 模拟器可以准确地预测接近稳定状态的配置,即使在训练中看不到的地形配置也是如此,并且特别显著地减少了深度DTWTs地区的计算自旋工作。 这项工作为混合机器学习和传统模拟的混合方法打开了大门,提高了水文的预测准确性和效率,以改善水资源管理和理解复杂的环境相互作用。
我们介绍了Dargana,这是EarthPT时间序列基础模型的微调变体,使用<3数据量实现专业化,5生成定期更新的树冠覆盖10m分辨率的分类,区分针叶树和阔叶树类型。 使用英国康沃尔作为测试案例,该模型在看不见的卫星图像上实现了像素级别的ROC-AUC为0.98和PR-AUC为0.83。 Dargana可以识别训练样本限制以下的篱笆和coppice等精细结构,并且可以跟踪树冠覆盖物的时间变化,如新的林地。 我们的结果表明,像EarthPT这样的预训练大型观测模型如何专门用于从太空进行颗粒状,动态的陆地覆盖监测,为自然资本管理和保护提供有价值的,可扩展的工具。
基础模型作为人工智能的主流技术,近年来在各个领域都显示出巨大的潜力,特别是在处理复杂任务和多模态数据方面。 在地球物理学领域,虽然基础模型的应用正在逐步扩大,但目前缺乏全面的审查,讨论将基础模型与地球物理数据集成的完整工作流程。 为了解决这一差距,本文提出了一个完整的框架,系统地探索与地球物理数据一起开发基础模型的整个过程。 从数据收集和预处理到模型架构选择、预训练策略和模型部署,我们对每个阶段的关键技术和方法进行了详细分析。 特别是,考虑到地球物理数据的多样性、复杂性和物理一致性限制,我们讨论了应对这些挑战的有针对性的解决方案。 此外,我们还讨论了如何利用基础模型的传输学习能力来减少对标记数据的依赖,提高计算效率,并将物理约束纳入模型训练,从而提高物理一致性和可解释性。 通过对当前技术格局的全面总结和分析,本文不仅填补了地球物理学领域对基础模型进行全面审查的空白,而且还为其在地球物理数据分析,推动创新和该领域的进步中的应用提供了宝贵的实用指导。
为了跟踪我们水部门内的快速变化,全球水模型(GWM)需要现实地代表水文系统的响应模式 - 例如基流分数 - 但受到其从数据中学习的能力有限而受到阻碍。 在这里,我们引入了一个高分辨率的物理嵌入式大数据训练模型,作为可靠地捕获特征水文响应模式(“签名”)及其变化的突破。 通过现实地代表长期水平衡,该模型揭示了全球广泛的变化——高达20个基本流量比率。 这些反应模式的变化,以前被认为是静态的,导致北部中纬度的洪水风险增加,南部亚热带地区的供水压力增加,以及许多欧洲河口的淡水投入下降,所有这些都具有生态影响。 通过比当前操作系统更准确的月度和每日尺度模拟,这种下一代模型解决了半干旱和干旱地区对降雨(“弹性”)和流流闪烁的大型非线性季节性径流响应。 这些指标突出了由于供水变异性和高气候敏感性而面临管理挑战的地区,但也提供了预测季节性水供应的工具。 这种能力使全球规模的模型能够为水管理提供可靠和本地相关的见解。
我们展示了一个基于贝叶斯反转的数字孪生体,它利用来自海底传感器的声学压力数据,以及3D耦合声重力波方程,实时推断地震引起的时空海底运动,并预测海啸向海岸线传播,以进行预警,并具有量化的不确定性。 我们的目标是卡斯卡迪亚俯冲带,有十亿个参数。 计算后意味着在512 GPU机器上需要50年。 相反,利用参数到可观察地图的移位和设计新的并行算法,我们诱导快速离线在线分解。 脱机组件每个传感器只需要一个相邻波传播;使用MFEM,我们将这部分计算扩展到完整的El Capitan系统(43,520个GPU),效率为92。 此外,根据实时数据,在线组件在适度的GPU系统上在0.2秒内完全解决了贝叶斯逆和预测问题,加快了100亿倍的速度。
物理信息神经网络(PINNs)在解决偏微分方程(PDE)方面显示出希望,包括频率域亥姆霍兹方程。 然而,使用梯度下降(GD)的PINN的标准训练受到缓慢收敛和不稳定的影响,特别是对于高频波场。 对于基于 Helmholtz 方程的分散声波场模拟,我们得出了一个混合优化框架,通过将最小二乘(LS)求解器直接嵌入到GD损失函数中来加速训练收敛。 这种配方可实现线性输出层的最佳更新。 我们的方法适用于或没有完美匹配的层(PML),我们为这两种场景提供实用的基于张量的实现。 基准速度模型的数字实验表明,与传统的PINN训练相比,我们的方法实现了更快的收敛,更高的精度,提高了稳定性。 特别是,我们的结果表明,即使在基于标准GD的训练失败的情况下,LS增强方法也会迅速收敛。 LS求解器在小的正常矩阵上运行,确保最小的计算开销,并使该方法可扩展用于大规模波场模拟。
存在多种插值方法,包括Kriging,sspline/minimum curvature和径向基础函数插值,用于插值空间不完整的地球科学数据。 这种方法使用观测数据的各种空间特性来推断其局部和全球行为。 在这项研究中,我们利用统计物理学中本地相互作用系统的适应性,并为数值地球科学数据开发了一个插值框架,称为相互作用的立即邻居间插值(IINI),它仅依赖于本地和邻近地区的相关性。 在IINI方法中,中长距离相关性由网格中心的集体局部相互作用构建。 为了展示IINI的功能和优势,我们将方法应用于地面重力,机载磁性和机载辐射数据数据的插值。 我们进一步将IINI的性能与最小曲率表面拟合等常规方法进行比较。 结果表明,IINI在验证精度方面与传统插值技术具有竞争力,而在算法复杂性和数据预处理要求方面则要简单得多。 INI展示了统计物理概念在地理统计学领域中的更广泛适用性,突出了它们丰富和扩大传统地理统计方法的潜力。
我们提出了一个基于分数的生成算法,用于从贝叶斯推理框架内的权力尺度的先验和可能性进行采样。 我们的算法能够灵活地控制先前的可能性影响,而无需对不同的功率缩放配置进行再培训。 具体来说,我们专注于以成像地震为条件的地震速度模型合成。 我们的方法通过从中间功率后置器进行采样来实现灵敏度分析,使我们能够评估先前和可能性对后置分布样品的相对影响。 通过一套全面的实验,我们评估不同环境中功率参数变化的影响:将其仅应用于先前,适用于贝叶斯配方的可能性,以及同时使用。 结果表明,将可能性的功率提高到一定阈值提高了后验样品对调节数据(例如地震图像)的保真度,同时降低先前功率可促进样品之间的更大结构多样性。 此外,我们发现可能性的适度缩放导致拍摄数据残留减少,从而证实了其在后细化方面的效用。
作为一门高水平学科,遥感的发展取决于许多其他基础和应用学科和技术的贡献。 例如,由于遥感和摄影测量之间的密切关系,遥感将不可避免地整合光学和色彩科学等学科。 此外,遥感还集成了电子学知识,通过CCD(Charge-Coupled Device)或其他图像传感器从光信号转换为电信号。 此外,在用遥感数据进行物体识别和分类时,使用数学形态和其他数字图像处理技术。 这些例子只是遥感跨学科整合的冰山一角。 这项工作简要回顾了遥感的跨学科整合与四个例子 - 生态学,数学形态学,机器学习和电子学。
洪水是最常见的自然灾害形式,准确的洪水预报对于早期预警系统至关重要。 以前的研究表明,机器学习(ML)模型是在大型地理上不同的数据集上训练时改进洪水预测的一种有希望的方法。 这种全球培训的要求可能导致国家预报员失去所有权,无法轻松调整模型以提高其区域的性能,从而无法操作部署ML模型。 此外,基于物理模型的传统水文研究表明,本地数据 - 在许多情况下只有当地机构才能访问 - 对于提高模型性能是有价值的。 为了解决这些问题,我们展示了一种在大型全球数据集上预训练模型的方法,然后根据来自各个盆地的数据对模型进行微调。 这导致性能增加,验证了我们的假设,即本地数据中有额外的信息要捕获。 特别是,我们表明,在全球培训期间表现不佳的流域中,业绩增长最为显著。 我们为希望使用自己的数据掌握全球模型的国家预测人员提供了路线图,旨在降低基于ML的水文预测系统的运营部署障碍。
No more items to load.