沙漠蝗虫爆发威胁着非洲大部分粮食安全，多年来影响了数百万人的生计。已经证明了机器学习（ML）作为蝗虫分布建模的有效方法，可以帮助预警。 ML需要大量标记数据培训。在蝗虫上最公开的标记数据是仅存在数据，其中仅记录在位置处存在的蝗虫的目击。因此，使用ML的事先工作已经采取了伪缺席的生成方法作为一种规避这个问题的方法。最常用的方法是在感兴趣区域中随机采样点，同时确保这些采样的伪缺位点至少是远离真实存在点的特定距离。在本文中，我们将这种随机抽样方法与更先进的伪缺席生成方法进行比较，例如环境分析和最佳背景范围限制，专门用于预测非洲的沙漠蝗虫滋生地。有趣的是，我们发现，对于我们测试的算法，即Logistic回归，梯度增强，随机森林和最大熵，全部流行，物流模型比预测准确性和更复杂的集成方法显着更好地表现出更好的更好。 F1得分。尽管背景范围限制与随机采样增压性能的组合方法相结合，但对于LR而言，这不是这种情况，而是在使用环境分析时获得了显着的改进。鉴于此，我们得出结论，一种更简单的ML方法，如Logistic回归与更先进的伪缺失生成，特别是环境分析，可以是预测非洲蝗虫育种场所的明智和有效的方法。
translated by 谷歌翻译
谷歌的运营洪水预测系统是制定的，为机构和公众提供准确的实时洪水警告，重点是河流洪水在大型潮流的河流中。它在2018年开始运作，自从地理位置扩展以来。该预测系统由四个子系统组成：数据验证，阶段预测，淹没建模和警报分配。机器学习用于两个子系统。阶段预测采用长短期内存（LSTM）网络和线性模型进行建模。使用阈值和歧管模型计算洪水淹没，前者计算淹没程度，后者计算淹没程度和深度。本文首次提供的歧管模型提供了一种机器学习替代洪水淹没的液压建模。在评估历史数据时，所有型号都可以实现可操作使用的足够高的度量指标。 LSTM表现出比线性模型更高的技能，而阈值和歧管模型达到了类似的性能度量，以便在淹没程度上进行建模。在2021年的季风季节期间，洪水预警系统在印度和孟加拉国运营，覆盖河流的洪水区，总面积287,000平方公里，拥有350多万人。超过100米的洪水警报被发送给受影响的人口，相关当局以及紧急组织。系统上的当前和未来的工作包括将覆盖范围扩展到额外的洪水易发位置，以及提高建模能力和准确性。
translated by 谷歌翻译
背景：洪水是世界上最常见的自然灾害，影响数亿岁的生活。因此，洪水预测是一项重要的重要努力，通常使用物理水流模拟实现，依赖于准确的地形升降映射。然而，这种基于求解部分微分方程的这种模拟是在大规模上计算上的禁止。这种可扩展性问题通常使用高程地图的粗网格表示，尽管这种表示可能扭曲了至关重要的地形细节，导致模拟中的显着不准确。贡献：我们训练一个深度神经网络，以执行地形地图的物理信息信息：我们优化地形地图的粗网格表示，以便洪水预测将匹配细网解决方案。对于成功的学习过程，我们专门为此任务配置数据集。我们证明，通过这种方法，可以实现计算成本的显着降低，同时保持准确的解决方案。参考实施伴随着该文件以及数据集再现的文档和代码。
translated by 谷歌翻译