通过自主挖掘实现沿海气候韧性
沿海监测面临着巨大的挑战。低成本传感器会产生数 GB 的数据，但微小的太阳能设备无法对其进行处理。
我在墨西哥湾通过惨痛的教训意识到了这一点。我的 Raspberry Pi 传感器正淹没在数据海洋中。它们只有 256KB 的 RAM。传统的机器学习需要标注数据，但在混乱的海洋中，你无法手动标注每一次潮汐或风暴潮。
我找到了一个利用自监督时间模式挖掘（self-supervised temporal pattern mining）的解决方案。
数据不再依赖人工标注，而是提供自身的信号。我开发了一种名为 Temporal Jigsaw 的方法。该模型通过重构打乱的数据段的正确顺序来进行学习。这使得系统无需任何人工干预即可理解潮汐相位和风暴强度。
为了让这项技术在毫瓦级硬件上运行，我使用了知识蒸馏（knowledge distillation）。
我训练了一个大型教师模型，然后将其智能压缩进一个微小的学生模型中。结果非常显著： • 学生模型仅使用了 8KB 的参数。 • 它保留了教师模型 87% 的准确率。 • 它的功耗仅为 3.2mW。
我在密西西比河三角洲部署了这些节点。系统运行良好。它发现了一个人类花费数年才找到的气压与侵蚀之间的联系。它甚至在伊达飓风期间检测到了“风暴前震颤”，并在最关键的时刻触发了高频采样。
即使在电力和内存有限的情况下，你也可以构建具有韧性的气候工具。关键在于将智能从云端直接转移到边缘端。
可选学习社区：https://t.me/GyaanSetuAi