连接遥感和人工智能:利用GEE绘制水文变量的地图,并通过神经网络预测地表水的范围

科学领域:

• 水文和环境科学 水文和环境科学
• 遥感应用 遥感应用
• 环境监测中的人工智能

背景情况:

• 缺水需要先进的监测和预测技术,以有效管理资源.
• 现有的方法往往在空间时间数据集成和数据有限区域的预测准确性方面扎.

研究的目的:

• 开发和验证可重现的计算工作流程,RSAI,集成谷歌地球引擎和深度学习用于水文分析.
• 绘制水文变量的时空趋势图,并预测阿尔及尔沿岸盆地的月度地表水范围.
• 评估气候和人为因素对水资源趋势的影响.

主要方法:

• 开发了远程传感人工智能 (RSAI) 工作流程,将谷歌地球引擎脚本与深度学习模型结合起来.
• 应用RSAI到沿海阿尔及尔盆地 (2001-2022) 进行趋势分析和地表水域范围预测.
• 利用曼-肯德尔测试进行趋势分析,并训练人工神经网络 (ANN),深度神经网络 (DNN) 和长短期记忆 (LSTM) 模型进行预测.

主要成果:

• 确定了阿尔及利亚沿海盆地地表水面积的统计显著下降 (36%的损失),气候趋势不显著,这表明人为驱动因素.
• 与ANN和LSTM相比,深度神经网络 (DNN) 模型显示出更好的预测性能 (R=0.89,MAE=0.36 km2,RMSE=46.31 km2).
• 灵敏度分析证实了DNN对传感器噪声的强度.

结论:

• RSAI为盆地级水文监测和预测提供了实用和可转移的解决方案,特别是在数据有限的地中海地区.
• 这些发现凸显了人为因素在水资源稀缺地区的水资源枯竭中的关键作用.
• 这项研究验证了将遥感和深度学习整合起来,以应对复杂的水资源管理挑战的有效性.