Kunstig intelligens forudsiger flodvandskvalitet med vejrdata

Vanskeligheden og omkostningerne ved at indsamle flodvandsprøver i fjerntliggende områder har ført til betydelige - og i nogle tilfælde, årtier lange - huller i tilgængelige vandkemidata, ifølge et Penn State-ledet team af forskere. Holdet bruger kunstig intelligens (AI) til at forudsige vandkvaliteten og udfylde hullerne i dataene. Deres indsats kan føre til en forbedret forståelse af, hvordan floder reagerer på menneskelige forstyrrelser og klimaændringer.

Forskerne udviklede en model, der forudsiger opløst oxygen (DO), en nøgleindikator for vands evne til at understøtte vandlevende liv, i let overvågede vandskel over hele USA. De offentliggjorde deres resultater i Miljøvidenskab og -teknologi .

Generelt, mængden af ​​ilt opløst i floder og vandløb afspejler deres økosystemer, da visse organismer producerer ilt, mens andre forbruger det. DO varierer også afhængigt af sæson og højde, og områdets lokale vejrforhold forårsager udsving, også, ifølge Li Li, professor i civil- og miljøteknik ved Penn State.

"Folk tænker normalt på DO som drevet af strømbiologiske og geokemiske processer, som fisk, der trækker vejret i vandet eller vandplanter, der gør DO på solrige dage, " sagde Li. "Men vejret kan også være en stor drivkraft. Hydrometeorologiske forhold, herunder temperatur og sollys, påvirker livet i vandet, og dette påvirker igen koncentrationsniveauerne af DO."

Hydrometeorologiske data, som sporer, hvordan vand bevæger sig mellem jordens overflade og atmosfæren, optages langt hyppigere og med mere rumlig dækning end vandkemiske data, ifølge Wei Zhi, postdoc ved Institut for Bygge- og Miljøteknik og førsteforfatter til papiret. Holdet teoretiserede, at en landsdækkende hydrometeorologisk database, som vil omfatte målinger som lufttemperatur, nedbør og strømningshastighed, kunne bruges til at forudsige DO-koncentrationer i fjerntliggende områder.

"Der er en masse hydrometeorologiske data tilgængelige, og vi ville se, om der var nok sammenhæng, selv indirekte, at lave en forudsigelse og hjælpe med at udfylde hullerne i flodvandskemidata, " sagde Zhi.

Modellen blev skabt gennem en AI-ramme kendt som et Long Short-Term Memory (LSTM) netværk, en tilgang, der bruges til at modellere naturlige "lagrings- og frigivelsessystemer", ifølge Chaopeng Shen, lektor i civil- og miljøteknik ved Penn State.

"Tænk på det som en kasse, " sagde Shen. "Den kan optage vand og opbevare det i en tank ved visse hastigheder, mens du på den anden side frigiver den med forskellige hastigheder, og hver af disse satser bestemmes af uddannelsen. Vi har tidligere brugt det til at modellere jordfugtighed, regn flow, vandtemperatur og nu, GØR."

Forskerne modtog data fra Catchment Attributes and Meteorology for Large-Sample Studies (CAMELS) hydrologidatabase, som omfattede en nylig tilføjelse af flodvandskemidata fra 1980 til 2014 for minimalt forstyrrede vandskel. Af de 505 vandskel inkluderet i "CAMELS-chem" datasættet, holdet fandt 236 med det nødvendige minimum på ti DO-koncentrationsmålinger i løbet af 35 år.

For at træne LSTM-netværket og skabe en model, de brugte vandskeldata fra 1980 til 2000, inklusive DO-koncentrationer, daglige hydrometeorologiske målinger og vandskelattributter som topografi, jorddække og vegetation.

Ifølge Zhi, holdet testede derefter modellens nøjagtighed mod de resterende DO-data fra 2001 til 2014, fandt ud af, at modellen generelt havde lært dynamikken i DO-opløselighed, herunder hvordan ilt falder i varmere vandtemperaturer og i højere højde. Det viste sig også at have stærk forudsigelsesevne i næsten tre fjerdedele af testtilfælde.

"Det er et rigtig stærkt værktøj, " sagde Zhi. "Det overraskede os at se, hvor godt modellen lærte DO-dynamik på tværs af mange forskellige vandskelforhold på en kontinental skala."

Han tilføjede, at modellen klarede sig bedst i områder med mere stabile DO-niveauer og stabile vandstrømningsforhold, men der ville være behov for flere data for at forbedre forudsigelsesmulighederne for vandskel med højere DO og strømningsvariabilitet.

"Hvis vi kan indsamle flere prøver, der fanger de høje toppe og lave lavpunkter af DO-niveauer, vi vil være i stand til at afspejle det i træningsprocessen og forbedre ydeevnen i fremtiden, " sagde Zhi.