非洲气象灾害早期预警项目实施成效公布
　　近日，世界气象组织（WMO）公布为期4年的非洲气象灾害早期预警项目的实施成效。该项目为WMO湖泊系统高影响天气预警系统建设计划（HIGHWAY）的示范项目，目的是在试点区域东非维多利亚湖地区建设示范性区域早期预警系统，为当地渔民及其他利益方提供维多利亚湖高影响天气事件的预警信息。
　　作为非洲最大的内陆渔场，维多利亚湖每年生产约100万吨鱼，雇用20多万渔民，年出口产值超过5亿美元。然而，在启动HIGHWAY项目之前，由于没有区域性、可操作的气象灾害预警系统，该地区居民的健康和安全面临严重威胁。
　　该项目自2017年启动，投资总额为410万英镑。初步研究得出的结论是，超过20万人直接受益于该项目，140万人间接受益于该项目。研究表明，该项目还将湖区每年由气象灾害所导致的死亡人数减少了30%，即每年可以挽救超过300人的生命。项目经济效益估计为每年4400万美元，效益成本比为16：1。该项目通过加强组织机构建设、改善数据获取以及促进预测者和受益者之间的融合，提升了各方共同参与国家气象与水文服务部门建设的能力。
　　该项目通过东非共同体（EAC）制定了旨在协调EAC 6个成员国关于极端天气预警问题的区域战略“东非共同体区域早期预警系统2025远景规划”，并为其实施提供重要支持。
　　WMO秘书长Petteri Taalas表示，该项目改进了当地对气象灾害早期预警信息的获取和使用，保护了生命财产安全，改善了维多利亚湖地区的经济和社会福祉。希望该模式可以在非洲其他地区甚至全世界被成功复制。
　　科学家模拟格陵兰北部冰川洪水事件
　　日本北海道大学的科研人员在格陵兰西北部的Qaanaaq地区进行了研究，发现由于气候变暖，格陵兰的冰川消融量一直在增加。在2015年和2016年夏季， Qaanaaq冰川的二氧化碳排放量迅速增加。该研究成果近日发表于《冰川学杂志》。
　　从Qaanaaq冰川流出的河流在2015年和2016年发生了洪水，冲毁了连接Qaanaaq小村庄及其600名居民和当地机场的唯一道路。研究人员将实地测量数据和气象数据结合到一个数值模型中，进行准确的原因分析。
　　研究显示，2015年，温暖的气温和强风导致Qaanaaq冰川融化速度加快。2016年的罪魁祸首有所不同：该地区很少发生的暴雨是洪水的主要驱动因素。这两次洪水都发生在8月，主要是由于夏末，覆盖在冰川上的大部分积雪已经消融。研究人员解释，冰川融水或降雨未能被地面吸收，都直接流入了河流。
　　此外，该模型还预测由于温度升高4℃，夏季冰川融水总排放量将增加3倍。因此，该研究量化了气候变化对冰川径流的影响，从而深入了解了格陵兰岛沿海洪灾的未来风险。研究人员希望从模型中获得的见解能帮助居民应对未来洪水风险和减轻潜在的损失。
　　相关论文信息：https://doi.org/10.1017/jog.2021.3
　　德国投资建造人工智能卫星
　　近日，德国联邦经济和能源部（BMWi）宣布投资260万欧元，建造一颗新型人工智能试验卫星SONATE-2，其能在太空开展自主数据训练。这缩短了数据传输时间，可进行太空自主探索学习。
　　SONATE-2项目由德国航空航天中心选定，由BMWi资助。SONATE-2卫星预计于2024年入轨，并在轨道上进行测试。SONATE-2卫星仅有鞋盒大小，它的照相机将在不同光谱范围内拍照，并将地球置于视野之中。图像数据将进入自身星载人工智能处理流程，自动识别和分类物体。这项技术将首先在地球周围进行全面测试，之后才可能进行星际旅行。
　　与之前的SONATE卫星相比，SONATE-2传感器数据处理系统将进一步小型化，并且更加节能。此外，还有一些新型卫星总线组件，如用于自主姿态控制的改进星敏感器。其不仅可以探测和记录静态物体，还可以探测闪电或流星等短暂的瞬变现象。
　　德国巴伐利亚州维尔茨堡朱利叶斯·马克西米利亚斯大学的研究人员表示，在航天领域使用人工智能技术仍属于起步阶段，这方面的项目屈指可数。如果人工智能用于检测未知现象，则必须首先对其进行训练。此项目是在太空条件下在小型卫星上开展人工智能训练。
　　虽然在地球上就可以基于大型计算机开展人工智能训练，但是研究人员希望利用小型人工智能卫星观察地球，并执行星际任务，即发现新的地外现象，甚至发现地外智能的踪迹。因为一旦进入星际，与卫星的通信就会成为一个瓶颈，随着距离地球越来越远，数据传输需要的时间越来越长，不能一直来回发送数据。这就是人工智能必须能够在卫星上独立学习的原因。