湖泊和水库对生态系统功能、当地水流水位和水在景观中的流动有着深远的影响。但是，当涉及到地下地形时，水资源管理者往往一无所知，这会影响水体的生态、体积、温度和蒸发速率，以及流入和流出。

现在，一个科学家团队已经开发出人工智能技术，以创建一个公开可用的水下地形数据集，或称测深数据，涵盖全球超过140 万个内陆湖泊和水库。这些信息可以使水资源管理者和其他决策者更好地预测从城市和农场的可用水到湿地生态变化等问题。

“该数据集为湖泊建模师和生态学家提供了更真实的水体描述，”作为国家大气研究中心 (NCAR) 博士后研究员领导创建该数据库的 Bahram Khazaei 说。“为了更好地了解淡水资源的水生系统动态和特性，我们需要更多地了解地表下的地球物理特征。”

全球湖泊水深数据集或 GLOBathy 可以在线访问。

这项工作由 NOAA 资助，研究结果发表在最近一期的《科学数据》上。NCAR 由国家科学基金会赞助。

用机器学习估计水深

地球上大部分可利用的地表淡水储存在超过 1 亿个湖泊和水库中。水量或排放量的任何变化都会影响水的可用性和质量，对人和生态系统产生深远的影响。为了更好地了解水体的潜在变化，科学家需要能够准确表示其物理特征的计算机模型。

Khazaei 现在在 NOAA 的国家海洋局工作，在研究 NOAA 的国家水模型时，他对创建一个测深数据集产生了兴趣，该模型提供了各地流量的详细预测。由于他专注于改进河流和溪流水位的模拟，他需要更多关于湖泊和水库的地球物理特征的信息。研究人员利用地理信息系统 (GIS)、机载激光雷达和其他技术的进步来绘制数千个湖泊和水库的水下地形图，但他们缺乏确定数百万其他人的水深测量的能力。

为了估计其他湖泊和水库的水深，Khazaei 和他的合作者转向了一个名为 HydroLAKES 的综合数据集。这为他们提供了全球超过 140 万个水体的地球物理特征的详尽列表，包括海岸线长度、表面积、体积、流域面积、海拔等。

然后，他们开发了一种称为随机森林的机器学习技术，该技术可有效地对数据进行分类，以在水体的这些地球物理特征之间建立关系。他们使用这些关系以及 GIS 技术估计了数据集中所有湖泊和水库的最大深度和水深。

为了验证数据集，科学家们转向测量了最大深度的湖泊数据集，以及对不同地区和具有广泛物理特征的水体的地面水深观测。该论文称，结果表明，GLOBathy 成功地估计了水深并“相当好”地再现了深度变化的模式。

GLOBathy 还提供来自其测深图的头部-面积-体积关系的估计。这些关系表明不同水体深度水平的水可用性和表面积，提供了可用于改进水收支分析和更好地理解地方、区域和全球尺度的水文循环的基本信息。GLOBathy 还为地球物理科学家在模拟水生系统方面提供了更大的灵活性，因为它补充了几个现有的内陆水体数据集。

“我们第一次获得了世界各地所有这些水体的详细深度和测深信息，”卡扎伊说。“这并不能取代基于地面的测量，但它为我们提供了对许多湖泊和水库的重要见解，这些湖泊和水库的水下地形从未被绘制到如此程度。”