_ Procesul AI îmbunătățit ar putea prezice mai bine rezervele de apă

Un nou model de computer folosește un proces mai bun de inteligență artificială pentru a măsura cu mai multă precizie disponibilitatea zăpezii și a apei pe distanțe mari din vest, informații care ar putea fi folosite într-o zi pentru a prezice mai bine disponibilitatea apei pentru fermieri și altele.

Publicând în Proceedings of the AAAI Conference on Artificial Intelligence, grupul interdisciplinar de cercetători de la Universitatea de Stat din Washington prezice disponibilitatea apei din zonele din vest unde cantitățile de zăpadă nu sunt măsurate fizic.

Comparând rezultatele lor cu măsurătorile de la peste 300 de stații de măsurare a zăpezii din vestul S.U.A., ei au arătat că modelul lor a depășit alte modele care utilizează procesul AI cunoscut sub numele de învățare automată.

Modelele anterioare s-au concentrat pe măsuri legate de timp, preluând date în diferite momente din doar câteva locații. Modelul îmbunătățit ia în considerare atât timpul, cât și spațiul, rezultând predicții mai precise.

Informația este de o importanță critică pentru planificatorii de apă din Occident, deoarece „fiecare picătură de apă” este adecvată pentru irigare, hidroenergie, băut. apă și nevoile de mediu, a spus Krishu Thapa, un student absolvent de informatică la Universitatea de Stat din Washington, care a condus studiul.

Agențiile de gestionare a apei din Occident, în fiecare primăvară, iau decizii cu privire la modul de utilizare a apei în funcție de cantitatea de zăpadă. este în munți.

„Aceasta este o problemă care este profund legată de propriul nostru mod de viață care continuă în această regiune din vestul S.U.A.”, a spus co-autorul Kirti Rajagopalan, profesor la Departamentul de Sisteme Biologice al WSU. Inginerie.

„Zăpada este cu siguranță cheia într-o zonă în care mai mult de jumătate din fluxul de apă provine din topirea zăpezii. Înțelegerea dinamicii modului în care se formează și a modului în care aceasta se schimbă și a modului în care variază spațial este foarte importantă pentru toate deciziile."

Există 822 de stații de măsurare a zăpezii în vestul S.U.A. care oferă zilnic informații despre disponibilitatea potențială a apei la fiecare loc, o măsurătoare numită echivalentul zăpezii-apă (SWE). Stațiile oferă, de asemenea, informații despre adâncimea zăpezii, temperatură, precipitații și umiditate relativă.

Cu toate acestea, stațiile sunt puțin distribuite, cu aproximativ una la fiecare 1.500 de mile pătrate. Chiar și la o distanță mică de o stație, SWE se poate schimba dramatic în funcție de factori precum topografia zonei.

„Citorii de decizie se uită la câteva stații care sunt în apropiere și iau o decizie pe baza acesteia, dar cum zăpada se topește și modul în care topografia diferită sau alte caracteristici joacă un rol între ele, acest lucru nu este luat în considerare și poate duce la o supraprevedere sau la o subpredicție a rezervelor de apă", a spus co-autorul Bhupinderjeet Singh, un student absolvent WSU în ingineria sistemelor biologice.

„Folosind aceste modele de învățare automată, încercăm să o anticipăm într-un mod mai bun.”

Cercetătorii au dezvoltat un cadru de modelare pentru predicția SWE și l-au adaptat la captați informații în spațiu și timp, având ca scop prezicerea SWE zilnică pentru orice locație, indiferent dacă există sau nu o stație acolo. Modelele anterioare de învățare automată se puteau concentra doar pe o singură variabilă temporală, luând date pentru o locație pentru mai multe zile și folosind acele date, făcând predicții pentru celelalte zile.

„Folosind noua noastră tehnică, folosim ambele modele spațiale și temporale pentru a lua decizii și folosim informațiile suplimentare pentru a face predicția reală pentru valoarea SWE”, a spus Thapa.

„Prin munca noastră, încercăm să transformăm asta. Rețea rară din punct de vedere fizic de stații până la puncte dense din care putem prezice valoarea SWE din acele puncte care nu au stații.”

Deși această lucrare nu va fi folosită încă pentru informarea directă a deciziilor, este un pas în a ajuta la prognoza viitoare și îmbunătățirea intrărilor pentru modelele de predicție a debitelor de curs, a spus Rajagopalan. Cercetătorii vor lucra pentru a extinde modelul pentru a-l completa din punct de vedere spațial și, în cele din urmă, să-l transforme într-un model de prognoză real.

(Fluierul)