研究人员开发了一种AI模型来减少蒸散预测中的不确定性

研究人员开发了一种人工智能模型，用于减少蒸散发预测中的不确定性。他们称之为“Dynamic Land Cover Evapotranspiration Model Algorithm” (DyLEMa)，该算法旨在使用训练有素的季节性机器学习模型来预测缺失的空间和时间ET数据。研究人员使用来自NASA、美国地质调查局和美国国家海洋和大气管理局的数据，在伊利诺伊州的30 x 30米网格上进行了20年的评估，并发现DyLEMa可以将ET预测的不确定性从平均+30%（过度预测）降低到约-7%（低于预测）。这表明该模型具有更高的准确性。

该研究是由伊利诺伊大学厄巴纳-香槟分校的农业、消费者与环境科学学院和工程学院的农业与生物工程系的博士生Jeongho Han领导的。研究人员还计划将他们的数据共享给其他研究人员。据该研究的合著者Maria Chu介绍，下一步计划是将他们的数据整合到一个分布式水文模型中，以更好地估计土壤侵蚀。Chu表示：“土壤侵蚀对土壤湿度和表面径流等影响很大。我们的下一步是将我们的数据整合到分布式水文模型中，以更好地估计土壤侵蚀。”