利用深度自编码器通过模拟彩色图像预测风驱空间沉降

数个世纪以来，科学家通过观测自然来理解支配物理世界的规律。将观测转化为物理认知的传统过程十分缓慢。人们构建并检验不完善的模型以解释数据中的关系。强大的新算法可使计算机通过观测图像与视频来学习物理。受此启发，我们未使用物理量训练机器学习模型，而是使用图像，即像素信息。本工作中，作为概念验证，所关注的物理是风驱空间模式。这些现象包括风成沙丘与火山灰沉降、野火烟羽以及空气污染羽流中的特征。我们使用空间沉降模式的计算机模型模拟来近似来自假想成像设备的图像，该设备输出红、绿、蓝（RGB）彩色图像，通道值范围0至255。本文中，我们探索基于深度卷积神经网络的自编码器，以利用风驱空间模式（在地学中常见）中的关系并降低其维度。利用编码器降低数据维度大小，能够训练深度全连接神经网络模型，将地理与气象标量输入量关联到编码空间。完成后，利用解码器重建完整空间模式。我们在来自污染源的空间沉降图像上演示了该方法，其中编码器将维度压缩至原始大小的0.02%，完整预测模型在测试数据上的归一化均方根误差为8%，空间优值度为94%，精确率-召回率曲线下面积为0.93。