با آخرین اجلاس آب دیجیتال IWA که در نوامبر برگزار می شود، Prabhushankar Chandrasekeran توضیح می دهد که چرا هوش مصنوعی و یادگیری ماشین ابزارهای ضروری برای بخش آب هستند. اجلاس دیجیتال آب IWA به آخرین پیشرفت‌ها در آب دیجیتال می‌تابد، و این فرصت را برای تامین‌کنندگان و شرکت‌ها فراهم می‌کند تا نحوه استفاده از ابزارهای دیجیتال توسط بخش آب را به اشتراک بگذارند و محیطی غنی برای بحث درباره اینکه دیجیتالی‌سازی ممکن است صنعت را به کجا ببرد، فراهم کند. چه مهارت هایی در آینده مورد نیاز خواهد بود و دنیای آب ممکن است چگونه به نظر برسد.

بخش 1: وارونگی فضای داده: تطبیق تاریخ، تجزیه و تحلیل عدم قطعیت و ارزیابی ارزش داده برای مدل های پیچیده

خلاصه: وارونگی فضای داده (DSI) مدتی است که وجود داشته است، اما تا حد زیادی نادیده گرفته شده است، به جز برخی در صنعت نفت. درک آن ساده و پیاده سازی آن آسان است. با این وجود، بسیار قدرتمند است.

فرض کنید که یک مدل پیچیده آب زیرزمینی با مدت زمان طولانی ساخته اید. احتمالاً شما این کار را انجام داده اید زیرا به دنبال یکپارچگی نمایش فرآیندهایی هستید که بر آب های زیرزمینی در منطقه مورد مطالعه خود تأثیر می گذارد. همین ایده‌آل باید شما را وادار کند که به دنبال یکپارچگی نمایش ویژگی‌هایی باشید که بر این فرآیندها تأثیر می‌گذارند. با این حال این ویژگی ها ناهمگن و اغلب بسیار نامشخص هستند. بنابراین آنها باید به صورت تصادفی نمایش داده شوند. نمایش تصادفی خواص هیدرولیک زیرسطحی و سایر ویژگی‌ها از تعیین کمیت عدم قطعیت‌های پیش‌بینی‌های مورد علاقه مدیریت پشتیبانی می‌کند - یک پیش نیاز ضروری برای تصمیم‌گیری آگاهانه است. با این حال، کاهش این عدم قطعیت ها از طریق تطبیق تاریخ، هنگام استفاده از یک مدل پیچیده، با مشکلات عملی شدیدی مواجه است.

محقق نروژی با معرفی هوش مصنوعی، پیش بینی سیل را به مرحله جدیدی خواهد برد. در طول تاریخ، انسان‌ها برای آب شیرین، غذا و سهولت حمل‌ونقل در اطراف رودخانه‌ها تجمع کرده‌اند - بنابراین سیل یک خطر همیشه حاضر بوده است. با افزایش جمعیت، قرار گرفتن در معرض افراد و اموال نیز افزایش می یابد.

یادگیری ماشینی یک فرآیند تکراری به جای یک فرآیند خطی است که نیاز به بازبینی هر مرحله دارد، زیرا اطلاعات بیشتری در مورد مشکل تحت بررسی کسب می شود. این فرآیند تکراری می‌تواند نیازمند استفاده از ابزارها، برنامه‌ها و اسکریپت‌های مختلف برای هر فرآیند باشد. میز کار یادگیری ماشینی یک پلت فرم یا محیطی است که طیفی از فعالیت های یادگیری ماشین را پشتیبانی و تسهیل می کند و نیاز به ابزارهای متعدد را کاهش می دهد یا از بین می برد.

اکنون هنگامی که پیشگامان انقلاب دیجیتال در مورد آینده صنعت صحبت می کنند، هوش مصنوعی (AI) تبدیل به یک نقطه عطف در همه جنبه ها شده است. این که آیا اولین بار از طریق فرهنگ عامه به شما معرفی شد یا به عنوان یک راه حل در دنیای واقعی برای چالش های مهم جهانی، به هر حال اکنون هوش مصنوعی بخشی از واژگان دیجیتال ما است. برای بخش آب، پیاده سازی هوش مصنوعی، به متخصصان آب این امکان را می دهد تا از داده های خود به طور موثر در تصمیم گیری بهتر استفاده کنند. در این قسمت به مبانی و مفاهیم هوش مصنوعی از جنبه ادارک نیازمندی های بخش آب خواهیم پرداخت.

فراخوان مقاله: زمین آمار پیشرفته در هیدرولوژیکی

روشهای زمین آمار معمولاً در علوم آب، زمین و محیط زیست برای کمی کردن تغییرات فضایی، تولید نقشه های درون یابی با عدم قطعیت کمی و بهینه سازی طرحهای نمونه برداری فضایی استفاده می شود. زمین آمار زمین-فضا جنبه های پویای فرایندهای محیطی را بررسی کرده و تغییرات پویا را از نظر همبستگی مشخص می کند. زمین آمار نیز می تواند با یادگیری ماشین و مدل های مکانیکی ترکیب شود تا مدل سازی فرایندها و الگوهای دنیای واقعی را بهبود بخشد. چنین روشهایی برای مدل سازی خواص خاک، تولید خروجی های مدل آب و هوایی، شبیه سازی فرآیندهای هیدرولوژیکی و درک بهتر و پیش بینی عدم قطعیت ها به طور کلی استفاده می شود. تجزیه و تحلیل داده های بزرگ و ادغام داده ها به دلیل پیشرفت های تکنولوژیکی و فراوانی منابع داده جدید از سنجش از دور و نزدیک و همچنین تعداد زیادی از شبکه های حسگر محیطی به موضوعات اصلی تحقیق تبدیل شده است. پیشرفتهای روش شناختی، مانند مدل سازی سلسله مراتبی بیزی، یادگیری ماشین، فرآیندهای پراکنده گوسی، مدلهای تعامل محلی و همچنین پیشرفت در ماژولهای نرم افزاری زمین آمار در R و پایتون، جعبه ابزار زمین آمار را افزایش داده است.

مدیریت زیرساخت های قدیمی و شبکه های بزرگ سیستم های آب چالش های بزرگی است که شرکت های آب در سراسر جهان با آن روبرو هستند. در سال 2021، تحقیقی به سرپرستی تیمی در دانشگاه ملل متحد، زیرساخت های فرسوده آب را به عنوان یک خطر جهانی در حال ظهور شناسایی کرد. اکثر راه حل های مهندسی برای مدیریت آب که امروزه هنوز مورد استفاده قرار می گیرد، مانند سدها و شبکه های فاضلاب، بین سالهای 1930 تا 1970 ساخته شده است. اینها در حال حاضر خطرات و چالش هایی را برای مدیران زیرساختی که در تلاش برای گسترش خدمات و پذیرش انقلاب دیجیتالی هستند ایجاد می کند.

روند بازیابی اطلاعات از تصاویر ماهواره ای می تواند زمانبر باشد و با چالش هایی مانند وضوح تصویر، شناسایی ویژگی ها و معیارهای کاربر روبرو است. با استفاده از ابزارهای یادگیری ماشین می توانیم تصاویر را پیش پردازش کرده و آنها را با ابزارهای استاندارد QGIS ترکیب کنیم تا اشیا را به روشی بسیار کارآمد ترسیم کنیم.

موجک (به انگلیسی: Wavelet) دسته‌ای از توابع ریاضی هستند که برای تجزیه سیگنال پیوسته به مؤلفه‌های فرکانسی آن بکار می‌رود که رزولوشن هر مؤلفه برابر با مقیاس آن است. تبدیل موجک تجزیه یک تابع بر مبنای توابع موجک می‌باشد. موجک‌ها (که به عنوان موجک‌های دختر شناخته می‌شوند) نمونه‌های انتقال یافته و مقیاس شده یک تابع (موجک مادر) با طول متناهی و نوسانی شدیداً میرا هستند.

یادگیری ماشین در آبهای زیرزمینی و مدل کالیبراسیون با MODFLOW ،Flopy ،PySal و Scikit Learn موضوع این پست است. کیفیت کار مدل سازی آب های زیرزمینی به سه عامل متکی است: توزیع مکانی-زمانی داده های مشاهده شده، ساخت و کالیبراسیون مدل و نتیجه گیری های حاصل از شبیه سازی های پیش بینی شده. بر اساس پیچیدگی های ابزارهای عددی، مقدار پارامترهای درگیر، کالیبراسیون آب های زیرزمینی می تواند یک چالش جدی برای مبتدیان، طراحان متوسط ​​یا پیشرفته با بسیاری از موفقیت ها و شکست ها باشد. نتیجه گیری اغلب با استرس روانی همراه است.

از روش های یادگیری ماشین می توان برای طبقه بندی و پیش بینی مسائل سری زمانی استفاده کرد. قبل از کاوش در روشهای یادگیری ماشین برای سری های زمانی، بهتر است اطمینان حاصل کنید که آموزش روشهای پیش بینی سری زمانی خطی کلاسیک را به اتمام رسانده اید. روش های کلاسیک پیش بینی سری زمانی ممکن است بر روی روابط خطی متمرکز شده باشند، با این وجود، این روش ها پیچیده هستند و در طیف گسترده ای از مسائل عملکرد خوبی دارند، با این فرض که داده های شما به درستی آماده شده و روش به خوبی پیکربندی شده است.

پشته ای از تصاویر Sentinel-2 از یک منطقه کوچک در اسلوونی، و به دنبال آن یک پیش بینی پوشش زمین، که از طریق روش های ارائه شده در این پست بدست آمده است. قسمت دوم درباره کاربری اراضی و طبقه بندی پوشش اراضی با eo-Learn در اینجا در دسترس است. این قسمت از امتداد قسمت اول انتخاب می شود، جایی که ما یک رویکرد اساسی در مورد موارد زیر ارائه کردیم:

• تقسیم منطقه مورد علاقه (AOI) به EOPatches
• به دست آوردن داده های تصویر Sentinel-2 و ماسک های ابری
• محاسبه اطلاعات اضافی از جمله شاخص پوشش گیاهی با اختلاف عادی (NDVI)، شاخص آب عادی تفاوت (NDWI)، هنجار اقلیدسی باند های شامل (NORM) و غیره.
• افزودن داده های مرجع شطرنجی از داده های بردار به EOPatches

حوضه های رودخانه شانون و بخش ها

چکیده

برنامه ریزی، مدیریت و پیش بینی نیازها و استفاده از آب باید قبل از تجزیه و تحلیل تغییرات درازمدت برای پارامترهای مرتبط با آن، به منظور بهبود روند توسعه سناریوهای جدید، برای منابع آب سطحی یا آب های زیرزمینی صورت پذیرد. هدف از این مقاله ارائه یک روش مناسب برای پیش بینی طولانی مدت جریان آب و پارامترهای آب رودخانه "شانون" در ایرلند طی یک دوره 30 ساله از سال های 1983 تا 2013 و از طریق چارچوبی است که از سه مرحله تشکیل شده است: مقیاس گسترده تجزیه و تحلیل شهری، داده های تلفیقی، و مرحله حدود علم تحلیل داده ها که تمرکز اصلی مقاله است که با استفاده از یک مدل یادگیری ماشین بر اساس شبکه های عصبی پیچیده عمیق (DeepCNNs) بکار برده می شود. مدل یادگیری عمیق پیشنهاد شده را در سه ایستگاه مختلف آب در رودخانه شانون تست می کنیم و نشان می دهیم که چهار مدل پیش بینی سری زمانی شناخته شده است. ما در نهایت مدل پیشنهادی شبیه سازی جریان آب و سطح آب پیش بینی شده از سال های 2013 تا 2080 را نمایش می دهیم. راه حل پیشنهادی ما می تواند برای مقامات علوم آب بسیار مفید باشد. بخصوص برای برنامه ریزی بهتر تخصیص منابع آب در میان کاربران رقابتی مانند کشاورزان. علاوه بر این، می توان آن را برای تطابق ناهنجاری ها با تنظیم و مقایسه آستانه ها با جریان آب پیش بینی شده و سطح آب مورد استفاده قرار داد.

خوش آمدید به بخش چهارم از آموزش ماشین با سری آموزش Python. در آموزش های قبلی، داده های اولیه را به دست آوردیم، ما آن را به صورت دلخواهی تغییر دادیم و دستکاری و اصلاح کردیم، و سپس شروع به تعریف ویژگی هایمان کردیم. Scikit-Learn اساسا نیازی به کار با Pandas و فریم های داده ندارد، من فقط ترجیح می دهم اطلاعات مربوط به آن را مدیریت کنم، زیرا سریع و کارآمد است. در عوض، Scikit-learn اساسا نیاز به آرایه های numpy دارد. داده های فرعی پانداها به راحتی می توانند به آرایه های NumPy تبدیل شوند، بنابراین فقط برای انجام کار برای ما صورت می پذیرد.

به یک دوره آموزشی فراگیر و عمیق خوش آمدید.

هدف این درس این است که به شما یک درک کامل از یادگیری ماشین، نظریه پوشش، کاربرد و عملکرد درونی الگوریتم های یادگیری نظارت شده، بدون نظارت و یادگیری عمیق بدهد.

در این سری، رگرسیون خطی، نزدیک ترین K همسایگان، ماشین های بردار پشتیبانی (SVM)، خوشه تخت، خوشه بندی سلسله مراتبی و شبکه های عصبی را پوشش می دهیم.