作者 | Michael Barnard 

編譯 | CDA數據分析師

海平面上升是一個受到廣泛研究的現象，這是全球變暖造成的。首先，額外的熱量使陸地冰融化。然后，水變暖，因此膨脹了一點。這種結合意味著隨著未來幾年全球變暖，海平面上升將加速。到2050年，我們非常有信心看到20-30厘米（8-12英寸）的海平面上升。2100的前景變化更大，因為它為我們提供了更多緩解變暖的空間，并且為發生問題提供了更多空間，但是介質大約為一米（39英寸）。

我們認為我們有一個很好的主意，這意味著什么，因為大多數人都認為沿線的海拔高度已被很好地理解。太糟糕了，實際上并非如此。

一項研究于2019年10月29日發表在《自然通訊》上，這是一本自然科學期刊，影響力非?？煽?，達到11.88，已大大改善了現有技術水平。這項研究是Scott A. Kulp和Benjamin H. Strauss 對全球海拔高度易受海平面上升和沿海洪災影響的三倍估計。是的，不幸的是，更高的準確性帶來了更高的風險。

要了解研究做了什么，知道海拔是如何衡量和溝通是很重要的。有許多數字高程模型（DEM），它們為世界各地的研究人員，政策制定者等提供高程。在富裕國家的許多城市地區，通過飛機和越來越多的無人機進行的激光雷達飛越飛行，可以非常準確地測量高程。在美國，大部分沿海地區都由激光雷達很好地繪制了地圖。但是，這是一個昂貴的方法來確定高程。世界上大多數海拔從評估美國宇航局的航天飛機雷達地形測繪任務（SRTM）。這是在2000年捕獲的，從那時起某些人和研究人員可以使用全分辨率，但是到2014年美國白宮宣布它對所有人公開可用時，所有人都可以使用全分辨率。

SRTM數據集有什么問題？好吧，在許多葉子或建筑物茂密的地方，它從葉子或建筑物的頂部摳出，而不是從地面上掉下來。是的，在很多地方，富裕市區以外的所有人使用的SRTM數據高估了海拔。在面臨海平面上升的沿海地區，這是很大的事情。對于世界大多數地區以及美國許多地區，極端沿海水位（ECWL）暴露分析都是以SRTM數據為基礎的。ECWL是關于容易發生常規洪水的地區，而不是低于該地區平均海平面的地區。

Kulp和Strauss所做的就是定義并執行一種方法來調整沿海地區的SRTM數據，以盡可能地固定數據以使其與實際海拔高度對齊。

這就是機器學習的用武之地。他們將SRTM數據作為輸入，將其輸入到多層感知器（MLP）人工神經網絡中，并使用美國激光雷達數據用于特定區域，以訓練它如何將SRTM高度調整為實際高度。然后，他們在美國和澳大利亞的多個地區測試了結果，以驗證結果模型是否過擬合。我們將得到結果，隨著您對研究的深入閱讀，結果會越來越差，但這是有關在清潔技術和氣候解決方案中使用機器學習的系列文章之一，因此我們將花一些時間時間取決于神經網絡方法本身。

多層感知器神經網絡具有一些特征。它具有輸入層，在這種情況下為SRTM中的NASA高程數據。它具有一個輸出層，即新的高程圖。它具有作為神經網絡的一個或多個隱藏層，這些隱層獲取可用數據的每個塊，對其施加神經網絡權重，并提供輸出。針對大樣本量的激光雷達數據對輸出進行了高度準確的測試，以便訓練模型以校正SRTM數據，使其與可用的激光雷達數據對齊。

輸入層不僅比圖片還復雜。研究人員從各種數據集中獲得了目標位置已知屬性的23維向量。這些變量包括ICESat提供的鄰里海拔值，土地坡度，人口密度，植被密度，冠層高度以及與冰雪覆蓋的局部SRTM偏差。他們在這23個變量的5100萬個樣本上訓練了該模型。輸出層很簡單，實際上只是該位置的SRTM錯誤的預測。

值得在該位置戳一下。2014年之前，大多數SRTM發布的數據的分辨率約為90米（295英尺）。最新的可用數據，例如2000年高分辨率GPS的解鎖，分辨率更高，約30米（98英尺）。但是，許多其他數據集的分辨率差別很大。例如，人口數據的規模為一千米（0.62英里），但即使有所不同。許多數據管理用于對齊23個輸入變量。由于存在分辨率差異，它們的輸出分辨率約為90米（295英尺），類似于2014年前的SRTM數據。

與所有神經網絡一樣，幾乎沒有辦法知道它們在神經網絡內部的作用。我們真正能做的就是比較輸出的準確性以達到置信度。

所得的數據集CoastalDEM比SRTM準確得多，尤其是在水邊。在美國，海拔1-20米（3.3-65.6英尺）的平均SRTM誤差為3.7米（12英尺）。在澳大利亞，高度為2.5米（8.2英尺）。在全球范圍內，分辨率較低的ICESat約為1.9米（6.2英尺）。在針對美國沿海城市進行測試時，CoastalDEM可以將誤差從4.7米（15.5英尺）降低到小于0.06 m（2.4英寸）。請記住，對于富裕國家的城市來說，極端沿海水位（ECWL）暴露分析已被激光雷達數據所限制，因此這并不意味著紐約將更快地進入水下。

但這確實意味著世界上許多其他城市也將成為。而且，許多沒有用激光雷達繪制的海岸線早就面臨更大的麻煩。

讓我們看看佛羅里達州南部。這是到2050年海平面上升風險的傳統模型。

看起來很合理。但是，讓我們看一下使用CoastalDem更新的調整后的地圖。

哎呀。多了很多紅色。對于佛羅里達州南部來說，那紅色非常糟糕。請注意，這里不是很多人的聚集地，而是一個好消息，但是它覆蓋了許多大沼澤地，它們過濾了流入比斯坎含水層的水，為佛羅里達州南部的淡水供應補充了水。

讓我們向南看，在Key West及其附近的鑰匙。

佛羅里達礁島礁最高海拔為1.8米（6英尺）。到2050年，Keys的大部分地區，特別是最南端的地區，將被定期淹沒。由于沿海平原的人口密度大，美國極端沿海水位（ECWL）風險評估中的大多數錯誤都在佛羅里達州。

但是美國并不是影響最大的地方。除其他外，美國所有城市都已經在使用精確的激光雷達數據進行ECWL評估。問題在于人口稠密的外國城市。

較深的品紅色僅來自CoastalDEM的預測。淺紫色是SRTM和CoastalDEM都在做出的預測。黃色斑點是SRTM在另一個方向上出錯的區域，CoastalDEM認為沒有威脅。

珠江三角洲有4200萬人。孟加拉國總人口1.64億，在氣候變化加劇的2017年季風中洪水泛濫，使該國三分之一的人口泛濫，使4100萬人流離失所。

借助新的CoastalDEM，基于機器學習的對沿海極端水位風險暴露的預測要高得多。傳統模型顯示，到2050年，將有2.5億人處于危險之中。有了CoastalDEM，又有1億人處于危險之中。到2100年，將有6.3億人遭受潮汐的定期洪水襲擊。

就像到目前為止該系列中的其他文章所強調的那樣，機器學習正在幫助我們快速規劃和估算商業太陽能，發現植樹的機會以減輕變化并維持我們使用的水的純度。并且，當然，可以用單手機器人解決Rubik的立方體。但是，如本案例研究所示，這也闡明了我們面臨的氣候變化風險等級。