湖泊和水库对生态系统功能、当地的水流水平以及水在地貌上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，因为地下地形会影响水体的生态、水量、温度和蒸发率，以及流入和流出。现在，一个科学家团队已经开发了人工智能技术，以创建一个公开可用的数据集，其中包括世界各地140多万个内陆湖泊和水库的水下地形，或水深测量学。
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水供应到湿地的生态变化等问题。
美国国家大气研究中心（NCAR）的博士后研究员，领导创建该数据库的Bahram Khazaei说：“这个数据集给湖泊建模者和生态学家提供了一个更真实的水体描述。为了更好地了解水生系统的动态和淡水资源的特性，我们需要更多地了解地表下的地球物理特性。”
全球湖泊测深数据集，或GLOBathy，现在可以在线访问。
用机器学习估计水深
地球上大部分可利用的地表淡水都储存在超过1亿个湖泊和水库中。它们的水量或排放的任何变化都会影响水的可用性和质量，对人类和生态系统产生深远影响。为了更好地了解水体的潜在变化，科学家们需要能够准确表达其物理特征的计算机模型。
现在为NOAA国家海洋局工作的Khazaei，在从事NOAA的国家水模型工作时，对创建水深测量数据集产生了兴趣，该模型对全美的水流进行详细预测。由于他专注于改进对河流和溪流中水位的模拟，他需要更多关于湖泊和水库的地球物理特征的信息。研究人员已经利用地理信息系统（GIS）、机载激光雷达和其他技术的进步，绘制了数千个湖泊和水库的水下地形图，但他们缺乏确定其他数百万个湖泊水深的能力。
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被称为HydroLAKES的综合数据集。这为他们提供了全球140多万个水体的地球物理特征的广泛列表，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“random forest”的机器学习技术，可以有效地对数据进行分类，以建立水体的这些地球物理特征之间的关系。他们利用这些关系，伴随着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。
为了验证该数据集，科学家们参考了已经测量过最大深度的湖泊数据集，以及不同地区和具有广泛物理特征的水体的地面测深观测。结果显示，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还提供了从其测深图中得出的水头-面积-体积关系的估计。这些关系表明了不同水体深度的水的可用性和表面积，提供了重要的信息，可用于改进水预算分析和更好地理解地方、区域和全球范围内的水文循环。GLOBathy还为地球物理科学家提供了水生系统建模的更多灵活性，因为它补充了现有的几个内陆水体的数据集。
Khazaei说：“这是第一次，我们拥有全世界所有这些水体的详细深度和测深信息。这并不能取代地面测量，但它让我们对众多湖泊和水库有了关键的了解，这些湖泊和水库的水下地形从未被测绘到如此程度。”