湖泊和水庫對生態系統功能、當地的水流水平以及水在地貌上的流動有著深遠的影響。但是，當涉及到地下地形時，水資源管理者往往一無所知，因為地下地形會影響水體的生態、水量、溫度和蒸發率，以及流入和流出。現在，一個科學家團隊已經開發了人工智能技術，以創建一個公開可用的數據集，其中包括世界各地140多萬個內陸湖泊和水庫的水下地形，或水深測量學。

這些信息可以使水資源管理者和其他決策者更好地預測從城市和農場的水供應到濕地的生態變化等問題。

美國國家大氣研究中心（NCAR）的博士後研究員，領導創建該數據庫的Bahram Khazaei說：“這個數據集給湖泊建模者和生態學家提供了一個更真實的水體描述。為了更好地了解水生系統的動態和淡水資源的特性，我們需要更多地了解地表下的地球物理特性。”

全球湖泊測深數據集，或GLOBathy，現在可以在線訪問。

用機器學習估計水深

地球上大部分可利用的地表淡水都儲存在超過1億個湖泊和水庫中。它們的水量或排放的任何變化都會影響水的可用性和質量，對人類和生態系統產生深遠影響。為了更好地了解水體的潛在變化，科學家們需要能夠準確表達其物理特徵的計算機模型。

現在為NOAA國家海洋局工作的Khazaei，在從事NOAA的國家水模型工作時，對創建水深測量數據集產生了興趣，該模型對全美的水流進行詳細預測。由於他專注於改進對河流和溪流中水位的模擬，他需要更多關於湖泊和水庫的地球物理特徵的信息。研究人員已經利用地理信息系統（GIS）、機載激光雷達和其他技術的進步，繪製了數千個湖泊和水庫的水下地形圖，但他們缺乏確定其他數百萬個湖泊水深的能力。

為了估計其他湖泊和水庫的水深，Khazaei和他的合作者轉向了一個被稱為HydroLAKES的綜合數據集。這為他們提供了全球140多萬個水體的地球物理特徵的廣泛列表，包括海岸線長度、表面積、體積、流域面積、海拔等。

然後他們開發了一種稱為“random forest”的機器學習技術，可以有效地對數據進行分類，以建立水體的這些地球物理特徵之間的關係。他們利用這些關係，伴隨著GIS技術，估計了數據集中所有湖泊和水庫的最大深度和水深。

為了驗證該數據集，科學家們參考了已經測量過最大深度的湖泊數據集，以及不同地區和具有廣泛物理特徵的水體的地面測深觀測。結果顯示，GLOBathy成功地估計了水深，並“相當好地”再現了深度變化的模式。

GLOBathy還提供了從其測深圖中得出的水頭-面積-體積關係的估計。這些關係表明了不同水體深度的水的可用性和表面積，提供了重要的信息，可用於改進水預算分析和更好地理解地方、區域和全球範圍內的水文循環。GLOBathy還為地球物理科學家提供了水生系統建模的更多靈活性，因為它補充了現有的幾個內陸水體的數據集。

Khazaei說：“這是第一次，我們擁有全世界所有這些水體的詳細深度和測深信息。這並不能取代地面測量，但它讓我們對眾多湖泊和水庫有了關鍵的了解，這些湖泊和水庫的水下地形從未被測繪到如此程度。”