水循环体系在理论层面看并不复杂,但由于实践中夹杂着大量人类干预、气候变化与复杂的地理因素,导致旱涝灾害仍然难以预测。
为了对地球上的水体动态进行建模,我们需要在宏观范围内把握超越常人想象的高分辨率数据,并通过足够复杂的模型设计涵盖从山脉积雪到谷地土壤湿度在内的各项指标。
如今,科学家们已经建立起截至目前最为详尽的模型,向着行星级数字孪生这一发展目标迈出坚实的一步。
《科学前沿》主要作者、意大利国家研究委员会委员Luca Brocca博士坦言,“以高分辨率模拟地球非常复杂,因此我们的基本思路就是首先从特定目标入手。基于这样的考量,我们决定为地中海陆地盆地水循环体系建立一套数字孪生模型。我们的目标是打造一个完整的系统,允许非专家(包括决策者与普通民众)灵活运行交互式模拟。”
为地球建立测试环境
在工程角度来说,数字孪生就是物理对象的虚拟模型,能够在不造成实际影响的前提下开展破坏性测试。持续更新的数据让地球数字孪生模型能够帮助我们完成各类极端状况的模拟、评估风险,并在危险情况出现之前跟踪其发展变化。此类信息对于可持续发展及保护弱势群体将发挥至关重要的作用。
为了建立这样的数字孪生模型,Brocca和他的同事使用到大量卫星数据,将测量土壤湿度、降水、蒸发量、河流径流量和积雪深度的各类地球观测数据结合起来。这些新获取的数据让开发准确模型成为可能,同时强调在时间和空间上开展更加频繁的测量,具体频率为每公里一次、每小时一次。
类似于包含更多像素的显示屏,这种分辨率更高的数据可以建立起更为详尽的图景。
科学家们使用这些数据开发自有模型,之后将模型集成至云端平台当中,由该平台执行模拟与可视化操作。项目的最终目标,是允许每一个人通过交互式工具来绘制灌水及山体滑坡等风险图形,并据此实现对水资源的科学管理。
Brocca解释道,“这个项目是前沿卫星观测与学术界之间完全协同的典型案例。各方通力合作再加上对计算基础设施的投入,将在气候变化等对人类影响深远的领域发挥重大作用。”
帮助人类规划未来
科学家们首先对意大利波河流域进行了建模,之后将数字孪生模型扩展至地中海盆地的其他区域。即将开展的项目计划进一步扩大并覆盖整个欧洲,后续合作还将遵循相同的原则延伸至世界各地。
Brocca指出,“这个项目始于欧洲航天局的一项倡议。我认为我们应该从最熟悉的对象起步。而波河流域也足够复杂——这里有阿尔卑斯山、有积雪,都是模拟难度较高的因素,而且山脉本身就属于极不规则的复杂地形。这里还有山谷,包括工业、灌溉等各种人类活动的影响,再就是河流造成的旱涝灾害等极端事件。进一步扩大范围,我们再把视角扩大到整个地中海,这里同样是关注各类极端水自然灾害问题的理想场景。”
这套平台的主要用例,就是增强洪水与山体滑坡预测并优化水资源管理。为了使这项工作能在本地层面上更好地发挥作用,需要更加精细的数据与更复杂的建模。例如,为了最大限度发挥农业数字孪生的潜力,数据分辨率应该以几十米为单位,而非以往的数百米。
未知中的已知
但其他挑战依然存在。
其中既包括卫星数据到模型间的传输延迟、配合更多地面观测以验证卫星数据,也涉及日益复杂的数据处理相关算法。
此外,没有哪种模型真正完美。
卫星数据中可能包含错误,必须正确描述这种不确定性,以便用户准确把握模型的可靠性。Brocca表示,AI与机器学习将提高数据的分析、收集与处理速度,简化数据质量评估流程,从而在克服现实挑战方面发挥关键作用。
Brocca总结道,“科学家、航天机构与决策者之间的共同努力,有望让水文学数字孪生地球项目真正落地,为未来的可持续水资源管理与抗灾能力提供宝贵的洞察支持。”
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。