Forbedret AI-proces kunne bedre forudsige vandforsyninger

En ny computermodel bruger en bedre kunstig intelligens-proces til at måle sne- og vandtilgængeligheden mere præcist over store afstande i Vesten, information, der en dag kan bruges til bedre at forudsige vandtilgængeligheden for landmænd og andre.

Udgivelse i Proceedings of the AAAI Conference on Artificial Intelligence , den tværfaglige gruppe af forskere fra Washington State University forudsiger vandtilgængelighed fra områder i Vesten, hvor snemængderne ikke bliver målt fysisk.

Ved at sammenligne deres resultater med målinger fra mere end 300 snemålestationer i det vestlige USA, viste de, at deres model klarede sig bedre end andre modeller, der bruger AI-processen kendt som machine learning.

Tidligere modeller fokuserede på tidsrelaterede mål og tog data på forskellige tidspunkter fra kun nogle få steder. Den forbedrede model tager både tid og rum i betragtning, hvilket resulterer i mere præcise forudsigelser.

Oplysningerne er af afgørende betydning for vandplanlæggere i hele Vesten, fordi "hver dråbe vand" er egnet til kunstvanding, vandkraft, drikkevand og miljømæssige behov, sagde Krishu Thapa, en kandidatstuderende fra Washington State University, der ledede undersøgelsen.

Vandforvaltningsorganer i hele Vesten træffer hvert forår beslutninger om, hvordan vand skal bruges baseret på, hvor meget sne der er i bjergene.

"Dette er et problem, der er dybt relateret til vores egen livsstil, der fortsætter i denne region i det vestlige USA," sagde medforfatter Kirti Rajagopalan, professor i WSU's Department of Biological Systems Engineering.

"Sne er absolut nøglen i et område, hvor mere end halvdelen af ​​strømningen kommer fra snesmeltning. At forstå dynamikken i, hvordan det dannes, og hvordan det ændrer sig, og hvordan det varierer rumligt er virkelig vigtigt for alle beslutninger."

Der er 822 snemålingsstationer i hele det vestlige USA, der giver daglige oplysninger om den potentielle vandtilgængelighed på hvert sted, en måling kaldet sne-vand-ækvivalenten (SWE). Stationerne giver også information om snedybde, temperatur, nedbør og relativ luftfugtighed.

Stationerne er dog tyndt fordelt med cirka en hver 1.500 kvadratkilometer. Selv en kort afstand fra en station kan SWE ændre sig dramatisk afhængigt af faktorer som områdets topografi.

"Beslutningstagere ser på nogle få stationer, der er i nærheden og træffer en beslutning baseret på det, men hvordan sneen smelter, og hvordan den forskellige topografi eller de andre funktioner spiller en rolle ind imellem, det er der ikke taget højde for, og det kan føre til over at forudsige eller under forudsige vandforsyninger," sagde medforfatter Bhupinderjeet Singh, en WSU kandidatstuderende i biologisk systemteknik.

"Ved at bruge disse maskinlæringsmodeller forsøger vi at forudsige det på en bedre måde."

Forskerne udviklede en modelleringsramme for SWE-forudsigelse og tilpassede den til at fange information i rum og tid med det formål at forudsige den daglige SWE for ethvert sted, uanset om der er en station der eller ej. Tidligere maskinlæringsmodeller kunne kun fokusere på den ene tidsvariable, idet de tog data for ét sted i flere dage og brugte disse data og lavede forudsigelser for de andre dage.

"Ved at bruge vores nye teknik bruger vi både rumlige og tidsmæssige modeller til at træffe beslutninger, og vi bruger den yderligere information til at foretage den faktiske forudsigelse for SWE-værdien," sagde Thapa.

"Med vores arbejde forsøger vi at transformere det fysisk sparsomme netværk af stationer til tætte punkter, hvorfra vi kan forudsige værdien af ​​SWE ud fra de punkter, der ikke har nogen stationer."

Selvom dette arbejde endnu ikke vil blive brugt til at informere beslutninger, er det et skridt i at hjælpe med fremtidige prognoser og forbedre input til modeller til at forudsige strømningsstrømme, sagde Rajagopalan. Forskerne vil arbejde på at udvide modellen for at gøre den rumlig komplet og til sidst gøre den til en prognosemodel i den virkelige verden.

Flere oplysninger: Krishu K Thapa et al., Attention-Based Models for Snow-Water Equivalent Prediction, Proceedings of the AAAI Conference on Artificial Intelligence (2024). DOI:10.1609/aaai.v38i21.30337

Leveret af Washington State University