Computermodel, der hjælper vandressourceforvaltere med at reducere skader i tilfælde af ekstreme oversvømmelser

Kunstige neurale netværk (ANN'er) er en biologisk inspireret metode til databehandling, der kan modtage store mængder data, finde mønstre, lære af dem og derefter udvikle forudsigelser for fremtidige begivenheder. De er blevet foreslået som et nyttigt værktøj til at behandle de komplekse sammenhænge mellem store mængder data relateret til omdannelsen af ​​nedbør til afstrømning. Dette forhold er et af de sværeste hydrologiske problemer, som vandressourceforvaltere står over for.

Forskere ved Universiti Putra Malaysia 'lærte' en ANN at forudsige daglig afstrømning for Bertam-floden ind i Ringlet Reservoir 200 kilometer nord for Kuala Lumpur. De indsamlede daglige nedbørs- og strømningsdata fra Bertam-flodens afvandingsområde over en tiårig periode, fra 2003 til 2012, og estimeret daglig vandfordampning ved hjælp af temperaturdata indsamlet fra den nærmeste station til reservoiret. Halvfjerds procent af disse data blev indlæst i modellen for at træne den, mens de resterende 30 % af dataene blev brugt til at teste modellens nøjagtighed ved hjælp af statistiske evalueringsmålinger. ANN blev udviklet til at kortlægge forholdet mellem nedbør og afstrømning. Jo flere faktorer der bruges, jo mere nøjagtige resultater. ANN var i stand til at forudsige flodens strømning ind i reservoiret med 76 % nøjagtighed.

"Resultaterne indikerer, at det kunstige neurale netværk er et kraftfuldt værktøj til at modellere regnafstrømning, " rapporterer forskerne i en Pertanika Journal of Science &Technology undersøgelse. "De opnåede resultater kan hjælpe vandressourceforvaltere med at betjene reservoiret korrekt i tilfælde af ekstreme begivenheder som oversvømmelser og tørke, " tilføjer de.

ANN's forudsigelsesevne kunne forbedres ved at inkludere yderligere input såsom skovrydning, landbrugsaktiviteter og arealanvendelse, siger forskerne.