Publicatie in de Proceedings of the AAAI Conference on Artificial Intelligence , voorspelt de interdisciplinaire groep onderzoekers van de Washington State University de beschikbaarheid van water in gebieden in het Westen waar de hoeveelheid sneeuw niet fysiek wordt gemeten.

Door hun resultaten te vergelijken met metingen van meer dan 300 sneeuwmeetstations in het westen van de VS, lieten ze zien dat hun model beter presteerde dan andere modellen die gebruik maken van het AI-proces dat bekend staat als machine learning.

Eerdere modellen waren gericht op tijdgerelateerde metingen, waarbij gegevens op verschillende tijdstippen van slechts een paar locaties werden gebruikt. Het verbeterde model houdt rekening met zowel tijd als ruimte, wat resulteert in nauwkeurigere voorspellingen.

De informatie is van cruciaal belang voor waterplanners in het hele Westen, omdat “elke druppel water” wordt gebruikt voor irrigatie, waterkracht, drinkwater en milieubehoeften, zegt Krishu Thapa, een computerwetenschapper aan de Washington State University die het onderzoek leidde. /P>

Waterbeheerbureaus in het hele Westen nemen elk voorjaar beslissingen over het gebruik van water op basis van de hoeveelheid sneeuw in de bergen.

"Dit is een probleem dat nauw verbonden is met onze eigen manier van leven die voortduurt in deze regio in het westen van de VS", zegt co-auteur Kirti Rajagopalan, professor aan de afdeling Biological Systems Engineering van de WSU.

"Sneeuw is absoluut van cruciaal belang in een gebied waar meer dan de helft van de stroom afkomstig is van smeltende sneeuw. Het begrijpen van de dynamiek van hoe dat wordt gevormd en hoe dat verandert, en hoe het ruimtelijk varieert, is erg belangrijk voor alle beslissingen."

Er zijn 822 sneeuwmeetstations in het westen van de VS die dagelijks informatie verstrekken over de potentiële waterbeschikbaarheid op elke locatie, een meting die het sneeuw-water-equivalent (SWE) wordt genoemd. De stations geven ook informatie over de sneeuwhoogte, temperatuur, neerslag en relatieve vochtigheid.

De stations zijn echter dun verspreid, met ongeveer één per 1.500 vierkante kilometer. Zelfs op korte afstand van een station kan de SWE dramatisch veranderen, afhankelijk van factoren zoals de topografie van het gebied.

“Beslissers kijken naar een paar stations in de buurt en nemen op basis daarvan een beslissing, maar hoe de sneeuw smelt en hoe de verschillende topografieën of andere kenmerken daartussenin een rol spelen, daar wordt geen rekening mee gehouden, en dat kan leiden tot de watervoorziening te veel of te weinig voorspellen", zegt co-auteur Bhupinderjeet Singh, een WSU-afgestudeerde student biologische systeemtechniek.

"Met behulp van deze machine learning-modellen proberen we dit op een betere manier te voorspellen."

De onderzoekers ontwikkelden een modelleringsraamwerk voor SWE-voorspelling en pasten dit aan om informatie in ruimte en tijd vast te leggen, met als doel de dagelijkse SWE voor elke locatie te voorspellen, ongeacht of daar een station is of niet. Eerdere machine learning-modellen konden zich alleen op één tijdelijke variabele concentreren, waarbij ze gegevens voor één locatie voor meerdere dagen gebruikten en die gegevens gebruikten om voorspellingen te doen voor de andere dagen.

"Met onze nieuwe techniek gebruiken we zowel ruimtelijke als temporele modellen om beslissingen te nemen, en we gebruiken de aanvullende informatie om de daadwerkelijke voorspelling voor de SWE-waarde te doen", aldus Thapa.

"Met ons werk proberen we dat fysiek schaarse netwerk van stations te transformeren naar dichte punten van waaruit we de waarde van SWE kunnen voorspellen op basis van die punten die geen stations hebben."

Hoewel dit werk nog niet zal worden gebruikt voor directe besluitvorming, is het een stap in de richting van toekomstige voorspellingen en het verbeteren van de input voor modellen voor het voorspellen van stroomstromen, zei Rajagopalan. De onderzoekers zullen eraan werken om het model uit te breiden om het ruimtelijk compleet te maken en er uiteindelijk een realistisch voorspellingsmodel van te maken.

Meer informatie: 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

Aangeboden door Washington State University