
作者 | Michael Barnard编译 | CDA数据分析师
海平面上升是一个受到广泛研究的现象,这是全球变暖造成的。首先,额外的热量使陆地冰融化。然后,水变暖,因此膨胀了一点。这种结合意味着随着未来几年全球变暖,海平面上升将加速。到2050年,我们非常有信心看到20-30厘米(8-12英寸)的海平面上升。2100的前景变化更大,因为它为我们提供了更多缓解变暖的空间,并且为发生问题提供了更多空间,但是介质大约为一米(39英寸)。
我们认为我们有一个很好的主意,这意味着什么,因为大多数人都认为沿线的海拔高度已被很好地理解。太糟糕了,实际上并非如此。
一项研究于2019年10月29日发表在《自然通讯》上,这是一本自然科学期刊,影响力非常可靠,达到11.88,已大大改善了现有技术水平。这项研究是Scott A. Kulp和Benjamin H. Strauss 对全球海拔高度易受海平面上升和沿海洪灾影响的三倍估计。是的,不幸的是,更高的准确性带来了更高的风险。
要了解研究做了什么,知道海拔是如何衡量和沟通是很重要的。有许多数字高程模型(DEM),它们为世界各地的研究人员,政策制定者等提供高程。在富裕国家的许多城市地区,通过飞机和越来越多的无人机进行的激光雷达飞越飞行,可以非常准确地测量高程。在美国,大部分沿海地区都由激光雷达很好地绘制了地图。但是,这是一个昂贵的方法来确定高程。世界上大多数海拔从评估美国宇航局的航天飞机雷达地形测绘任务(SRTM)。这是在2000年捕获的,从那时起某些人和研究人员可以使用全分辨率,但是到2014年美国白宫宣布它对所有人公开可用时,所有人都可以使用全分辨率。
SRTM数据集有什么问题?好吧,在许多叶子或建筑物茂密的地方,它从叶子或建筑物的顶部抠出,而不是从地面上掉下来。是的,在很多地方,富裕市区以外的所有人使用的SRTM数据高估了海拔。在面临海平面上升的沿海地区,这是很大的事情。对于世界大多数地区以及美国许多地区,极端沿海水位(ECWL)暴露分析都是以SRTM数据为基础的。ECWL是关于容易发生常规洪水的地区,而不是低于该地区平均海平面的地区。
Kulp和Strauss所做的就是定义并执行一种方法来调整沿海地区的SRTM数据,以尽可能地固定数据以使其与实际海拔高度对齐。
这就是机器学习的用武之地。他们将SRTM数据作为输入,将其输入到多层感知器(MLP)人工神经网络中,并使用美国激光雷达数据用于特定区域,以训练它如何将SRTM高度调整为实际高度。然后,他们在美国和澳大利亚的多个地区测试了结果,以验证结果模型是否过拟合。我们将得到结果,随着您对研究的深入阅读,结果会越来越差,但这是有关在清洁技术和气候解决方案中使用机器学习的系列文章之一,因此我们将花一些时间时间取决于神经网络方法本身。
多层感知器神经网络具有一些特征。它具有输入层,在这种情况下为SRTM中的NASA高程数据。它具有一个输出层,即新的高程图。它具有作为神经网络的一个或多个隐藏层,这些隐层获取可用数据的每个块,对其施加神经网络权重,并提供输出。针对大样本量的激光雷达数据对输出进行了高度准确的测试,以便训练模型以校正SRTM数据,使其与可用的激光雷达数据对齐。
输入层不仅比图片还复杂。研究人员从各种数据集中获得了目标位置已知属性的23维向量。这些变量包括ICESat提供的邻里海拔值,土地坡度,人口密度,植被密度,冠层高度以及与冰雪覆盖的局部SRTM偏差。他们在这23个变量的5100万个样本上训练了该模型。输出层很简单,实际上只是该位置的SRTM错误的预测。
值得在该位置戳一下。2014年之前,大多数SRTM发布的数据的分辨率约为90米(295英尺)。最新的可用数据,例如2000年高分辨率GPS的解锁,分辨率更高,约30米(98英尺)。但是,许多其他数据集的分辨率差别很大。例如,人口数据的规模为一千米(0.62英里),但即使有所不同。许多数据管理用于对齐23个输入变量。由于存在分辨率差异,它们的输出分辨率约为90米(295英尺),类似于2014年前的SRTM数据。
与所有神经网络一样,几乎没有办法知道它们在神经网络内部的作用。我们真正能做的就是比较输出的准确性以达到置信度。
所得的数据集CoastalDEM比SRTM准确得多,尤其是在水边。在美国,海拔1-20米(3.3-65.6英尺)的平均SRTM误差为3.7米(12英尺)。在澳大利亚,高度为2.5米(8.2英尺)。在全球范围内,分辨率较低的ICESat约为1.9米(6.2英尺)。在针对美国沿海城市进行测试时,CoastalDEM可以将误差从4.7米(15.5英尺)降低到小于0.06 m(2.4英寸)。请记住,对于富裕国家的城市来说,极端沿海水位(ECWL)暴露分析已被激光雷达数据所限制,因此这并不意味着纽约将更快地进入水下。
但这确实意味着世界上许多其他城市也将成为。而且,许多没有用激光雷达绘制的海岸线早就面临更大的麻烦。
让我们看看佛罗里达州南部。这是到2050年海平面上升风险的传统模型。
看起来很合理。但是,让我们看一下使用CoastalDem更新的调整后的地图。
哎呀。多了很多红色。对于佛罗里达州南部来说,那红色非常糟糕。请注意,这里不是很多人的聚集地,而是一个好消息,但是它覆盖了许多大沼泽地,它们过滤了流入比斯坎含水层的水,为佛罗里达州南部的淡水供应补充了水。
让我们向南看,在Key West及其附近的钥匙。
佛罗里达礁岛礁最高海拔为1.8米(6英尺)。到2050年,Keys的大部分地区,特别是最南端的地区,将被定期淹没。由于沿海平原的人口密度大,美国极端沿海水位(ECWL)风险评估中的大多数错误都在佛罗里达州。
但是美国并不是影响最大的地方。除其他外,美国所有城市都已经在使用精确的激光雷达数据进行ECWL评估。问题在于人口稠密的外国城市。
较深的品红色仅来自CoastalDEM的预测。浅紫色是SRTM和CoastalDEM都在做出的预测。黄色斑点是SRTM在另一个方向上出错的区域,CoastalDEM认为没有威胁。
珠江三角洲有4200万人。孟加拉国总人口1.64亿,在气候变化加剧的2017年季风中洪水泛滥,使该国三分之一的人口泛滥,使4100万人流离失所。
借助新的CoastalDEM,基于机器学习的对沿海极端水位风险暴露的预测要高得多。传统模型显示,到2050年,将有2.5亿人处于危险之中。有了CoastalDEM,又有1亿人处于危险之中。到2100年,将有6.3亿人遭受潮汐的定期洪水袭击。
就像到目前为止该系列中的其他文章所强调的那样,机器学习正在帮助我们快速规划和估算商业太阳能,发现植树的机会以减轻变化并维持我们使用的水的纯度。并且,当然,可以用单手机器人解决Rubik的立方体。但是,如本案例研究所示,这也阐明了我们面临的气候变化风险等级。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
剖析 CDA 数据分析师考试题型:解锁高效备考与答题策略 CDA(Certified Data Analyst)数据分析师考试作为衡量数据专业能力的 ...
2025-07-04SQL Server 字符串截取转日期:解锁数据处理的关键技能 在数据处理与分析工作中,数据格式的规范性是保证后续分析准确性的基础 ...
2025-07-04CDA 数据分析师视角:从数据迷雾中探寻商业真相 在数字化浪潮席卷全球的今天,数据已成为企业决策的核心驱动力,CDA(Certifie ...
2025-07-04CDA 数据分析师:开启数据职业发展新征程 在数据成为核心生产要素的今天,数据分析师的职业价值愈发凸显。CDA(Certified D ...
2025-07-03从招聘要求看数据分析师的能力素养与职业发展 在数字化浪潮席卷全球的当下,数据已成为企业的核心资产,数据分析师岗位也随 ...
2025-07-03Power BI 中如何控制过滤器选择项目数并在超限时报错 引言 在使用 Power BI 进行数据可视化和分析的过程中,对过滤器的有 ...
2025-07-03把握 CDA 考试时间,开启数据分析职业之路 在数字化转型的时代浪潮下,数据已成为企业决策的核心驱动力。CDA(Certified Da ...
2025-07-02CDA 证书:银行招聘中的 “黄金通行证” 在金融科技飞速发展的当下,银行正加速向数字化、智能化转型,海量数据成为银行精准 ...
2025-07-02探索最优回归方程:数据背后的精准预测密码 在数据分析和统计学的广阔领域中,回归分析是揭示变量之间关系的重要工具,而回 ...
2025-07-02CDA 数据分析师报考条件全解析:开启数据洞察之旅 在当今数字化浪潮席卷全球的时代,数据已成为企业乃至整个社会发展的核心驱 ...
2025-07-01深入解析 SQL 中 CASE 语句条件的执行顺序 在 SQL 编程领域,CASE语句是实现条件逻辑判断、数据转换与分类的重要工 ...
2025-07-01SPSS 中计算三个变量交集的详细指南 在数据分析领域,挖掘变量之间的潜在关系是获取有价值信息的关键步骤。当我们需要探究 ...
2025-07-01CDA 数据分析师:就业前景广阔的新兴职业 在当今数字化时代,数据已成为企业和组织决策的重要依据。数据分析师作为负责收集 ...
2025-06-30探秘卷积层:为何一个卷积层需要两个卷积核 在深度学习的世界里,卷积神经网络(CNN)凭借其强大的特征提取能力 ...
2025-06-30探索 CDA 数据分析师在线课程:开启数据洞察之旅 在数字化浪潮席卷全球的当下,数据已成为企业决策、创新与发展的核心驱 ...
2025-06-303D VLA新范式!CVPR冠军方案BridgeVLA,真机性能提升32% 编辑:LRST 【新智元导读】中科院自动化所提出BridgeVLA模型,通过将 ...
2025-06-30LSTM 为何会产生误差?深入剖析其背后的原因 在深度学习领域,LSTM(Long Short-Term Memory)网络凭借其独特的记忆单元设 ...
2025-06-27LLM进入拖拽时代!只靠Prompt几秒定制大模型,效率飙升12000倍 【新智元导读】最近,来自NUS、UT Austin等机构的研究人员创新 ...
2025-06-27探秘 z-score:数据分析中的标准化利器 在数据的海洋中,面对形态各异、尺度不同的数据,如何找到一个通用的标准来衡量数据 ...
2025-06-26Excel 中为不同柱形设置独立背景(按数据分区)的方法详解 在数据分析与可视化呈现过程中,Excel 柱形图是展示数据的常用工 ...
2025-06-26