Ein verbesserter KI-Prozess könnte die Wasserversorgung besser vorhersagen

Ein neues Computermodell nutzt einen besseren Prozess der künstlichen Intelligenz, um die Schnee- und Wasserverfügbarkeit über große Entfernungen im Westen genauer zu messen. Diese Informationen könnten eines Tages dazu genutzt werden, die Wasserverfügbarkeit für Landwirte und andere besser vorherzusagen.

Veröffentlichung im Tagungsband der AAAI-Konferenz über künstliche IntelligenzDie interdisziplinäre Gruppe von Forschern der Washington State University prognostiziert die Wasserverfügbarkeit in Gebieten im Westen, in denen die Schneemengen nicht physikalisch gemessen werden.

Beim Vergleich ihrer Ergebnisse mit Messungen von mehr als 300 Schneemessstationen im Westen der USA zeigten sie, dass ihr Modell andere Modelle übertraf, die den als maschinelles Lernen bekannten KI-Prozess nutzen.

Frühere Modelle konzentrierten sich auf zeitbezogene Messungen und erfassten Daten zu unterschiedlichen Zeitpunkten von nur wenigen Standorten. Das verbesserte Modell berücksichtigt sowohl Zeit als auch Raum, was zu genaueren Vorhersagen führt.

Die Informationen sind für Wasserplaner im gesamten Westen von entscheidender Bedeutung, da „jeder Tropfen Wasser“ für Bewässerung, Wasserkraft, Trinkwasser und Umweltzwecke verwendet wird, sagte Krishu Thapa, ein Informatikstudent der Washington State University, der die Studie leitete.

Wasserverwaltungsbehörden im gesamten Westen treffen jedes Frühjahr Entscheidungen über die Wassernutzung auf der Grundlage der Schneemenge in den Bergen.

„Dies ist ein Problem, das eng mit unserer eigenen Lebensweise in dieser Region im Westen der USA zusammenhängt“, sagte Co-Autorin Kirti Rajagopalan, Professorin am Department of Biological Systems Engineering der WSU.

„Schnee ist auf jeden Fall von entscheidender Bedeutung in einem Gebiet, in dem mehr als die Hälfte des Wasserabflusses aus der Schneeschmelze stammt. Für alle Entscheidungen ist es wirklich wichtig, die Dynamik zu verstehen, wie dieser entsteht, wie er sich verändert und wie er räumlich variiert.“

Im gesamten Westen der USA gibt es 822 Schneemessstationen, die täglich Informationen über die potenzielle Wasserverfügbarkeit an jedem Standort liefern, eine Messung, die als Schnee-Wasser-Äquivalent (SWE) bezeichnet wird. Die Stationen liefern außerdem Informationen zu Schneehöhe, Temperatur, Niederschlag und relativer Luftfeuchtigkeit.

Allerdings sind die Stationen nur spärlich verteilt, etwa alle 1.500 Quadratmeilen ist eine vorhanden. Selbst in geringer Entfernung von einer Station kann sich die SWE je nach Faktoren wie der Topographie des Gebiets dramatisch ändern.

„Entscheidungsträger schauen sich einige Stationen in der Nähe an und treffen auf dieser Grundlage eine Entscheidung, aber wie der Schnee schmilzt und welche Rolle die unterschiedliche Topografie oder andere Merkmale dazwischen spielen, wird nicht berücksichtigt und kann dazu führen.“ „Die Vorhersage der Wasservorräte wird über- oder unterschätzt“, sagte Co-Autor Bhupinderjeet Singh, ein WSU-Absolvent in biologischer Systemtechnik.

„Mit diesen maschinellen Lernmodellen versuchen wir, es besser vorherzusagen.“

Die Forscher entwickelten einen Modellierungsrahmen für die SWE-Vorhersage und passten ihn an, um Informationen in Raum und Zeit zu erfassen. Ziel war es, den täglichen SWE für jeden Standort vorherzusagen, unabhängig davon, ob sich dort eine Station befindet oder nicht. Frühere Modelle des maschinellen Lernens konnten sich nur auf eine zeitliche Variable konzentrieren, indem sie Daten für einen Standort über mehrere Tage hinweg erfassten und diese Daten nutzten, um Vorhersagen für die anderen Tage zu treffen.

„Mit unserer neuen Technik nutzen wir sowohl räumliche als auch zeitliche Modelle, um Entscheidungen zu treffen, und nutzen die zusätzlichen Informationen, um die eigentliche Vorhersage für den SWE-Wert zu treffen“, sagte Thapa.

„Mit unserer Arbeit versuchen wir, dieses physisch spärliche Netz von Stationen in dichte Punkte umzuwandeln, von denen aus wir den Wert von SWE anhand der Punkte vorhersagen können, die keine Stationen haben.“

Obwohl diese Arbeit noch nicht zur direkten Entscheidungsfindung genutzt werden wird, ist sie ein Schritt zur Unterstützung zukünftiger Prognosen und zur Verbesserung der Eingaben für Modelle zur Vorhersage von Wasserflüssen, sagte Rajagopalan. Die Forscher werden daran arbeiten, das Modell zu erweitern, um es räumlich zu vervollständigen und es schließlich zu einem realen Prognosemodell zu machen.