新的机器学习方法可以改善环境预测

　　人工智能计算为我们做了大量的工作，不断地向我们的垃圾邮件组织者发送不受欢迎的电子邮件，警告我们，如果我们的车辆要驶入某个地方，并给我们建议立即观看什么电视节目。目前，我们正逐步利用这些等效的计算方法来进行生态预测。
　　探索展示了另一种人工智能策略，其中计算指导实际世界的标准，以改善预期，并引导计算朝向数据源和产量之间真正重要的联系。
　　调查提出了一个模型，可以作出更精确的水道和溪流温度预期，在任何情况下，当很少的信息是免费的，这是在许多溪流和溪流的情况。该模型同样可以更好地总结各种时间框架。
　　贾晓伟说：溪流中的水温是一些重要的两栖动物结构的‘ace变量’，包括海洋领土的合理性、消失率、臭氧危害物质贸易以及热电能创造的生产力。，匹兹堡大学计算机科学系计算机与信息学院的考试和右手教育家的创始者。对水温和流量的准确预期还有助于资产管理人的动态管理，例如，帮助他们决定何时以及从供水系统向下游水道输送多少水。
　　人工智能的一个典型分析是，预测没有建立在实际的重要性上。也就是说，这些计算只是在发现信息源和收益率之间的联系，偶尔这些关系可能是欺骗性的或给出虚假的结果。该模型通常无法处理信息源和产量之间的联系发生变化的情况。
　　这项新技术是由贾教授发明的，他还获得了2020年的博士学位。毕业于明尼苏达大学理工学院计算机科学与工程系，他的合作伙伴利用测量导向或信息导向人工智能。这项技术应用于特拉华河流域（DRB）水温预期的利用实例，旨在利用人工智能克服一部分正常的预测陷阱。该技术通过时间、流之间的空间关联和能量消耗条件，以一种适度直接的循环关系来教育人工智能模型。
　　河流温度要素的信息稀疏性和不稳定性对特拉华河流域来说并不特殊。与美国大陆的大多数地区相比，特拉华河流域的水温受到了全面检查。因此，特拉华河流域是培育河流温度预测新技术的最佳地点。
　　美国地理调查局提供了一个直观的可视化解释程序，以这些事件的模型转折和DRB中水温预测的重要性为特征。这种看法显示了水温预报的文化要求，即供水量超过1500万人，但除此之外，还有争夺下游溪流和冷水区的重要猎用鱼物种的用水要求。当供水主管预计水温将超过基本边界时，他们可以提供冷水，而准确的水温预期对于在必要时利用有限的水资源至关重要。
　　这项新调查扩展了美国国土调查局的水研究人员和明尼苏达大学双城分校科学与工程学院计算机科学与工程系实验室的PC研究人员之间的合作，专家们已经在那里建立了信息导向人工智能程序。
　　库马尔说：一般来说，这些以信息为导向的人工智能程序比标准人工智能更令人印象深刻，也比老牌研究人员用来解决自然问题的习惯性的不假思索的模型更令人印象深刻。。
　　这些新时代的人工智能技术得到了美国国家科学基金会利用数据革命项目的资助，正被用来解决各种各样的生态问题，例如，改善湖泊和河流的温度预期。
　　美国明尼苏达大学地球物理联盟水资源研究所未监测湖泊水温元素资助的另一项新的NSF资助试验申请人，专家展示了如何利用信息导向的人工智能模型来解决在无监控环境中预测的最困难的自然期望问题。
　　模型从一个非常受关注的湖泊移动到一个感知不多或没有感知的湖泊，即使在温度感知不存在的湖泊中，也会引发精确的预期。科学家们说，他们的方法迅速扩展到大量的湖泊，表明这项技术（具有重要的指示因子和一流的源模型）是一种很有前途的方法，适用于后来的一些不受监控的框架和自然因素。