En ny datormodell använder en bättre artificiell intelligensprocess för att mäta snö- och vattentillgången mer exakt över stora avstånd i väst, information som en dag skulle kunna användas för att bättre förutsäga vattentillgången för bönder och andra.
Publicering i Proceedings of the AAAI Conference on Artificial Intelligence , den tvärvetenskapliga gruppen av forskare från Washington State University förutspår vattentillgång från områden i väst där snömängder inte fysiskt mäts.
Genom att jämföra sina resultat med mätningar från mer än 300 snömätstationer i västra USA, visade de att deras modell överträffade andra modeller som använder AI-processen som kallas maskininlärning.
Tidigare modeller fokuserade på tidsrelaterade mått och tog data vid olika tidpunkter från endast ett fåtal platser. Den förbättrade modellen tar hänsyn till både tid och rum, vilket resulterar i mer exakta förutsägelser.
Informationen är ytterst viktig för vattenplanerare i hela västvärlden eftersom "varje droppe vatten" är avsedd för bevattning, vattenkraft, dricksvatten och miljöbehov, säger Krishu Thapa, en doktorand i datavetenskap vid Washington State University som ledde studien.
Vattenförvaltningsmyndigheter i hela västra varje vår fattar beslut om hur vatten ska användas baserat på hur mycket snö som finns i bergen.
"Detta är ett problem som är djupt relaterat till vårt eget sätt att leva i den här regionen i västra USA", säger medförfattaren Kirti Rajagopalan, professor vid WSU:s institution för biologiska systemteknik.
"Snö är definitivt nyckeln i ett område där mer än hälften av strömflödet kommer från snösmältning. Att förstå dynamiken i hur det bildas och hur det förändras, och hur det varierar rumsligt är verkligen viktigt för alla beslut."
Det finns 822 snömätningsstationer över hela västra USA som ger daglig information om den potentiella vattentillgången på varje plats, ett mått som kallas snövattenekvivalenten (SWE). Stationerna ger också information om snödjup, temperatur, nederbörd och relativ luftfuktighet.
Stationerna är dock glest fördelade med ungefär en var 1 500 kvadratmil. Även en bit bort från en station kan SWE förändras dramatiskt beroende på faktorer som områdets topografi.
"Beslutsfattare tittar på några stationer som ligger i närheten och fattar ett beslut utifrån det, men hur snön smälter och hur den olika topografin eller de andra egenskaperna spelar en roll däremellan, det tar man inte hänsyn till, och det kan leda till att förutsäga eller underförutsäga vattentillförsel", säger medförfattaren Bhupinderjeet Singh, en WSU-student i biologisk systemteknik.
"Med dessa maskininlärningsmodeller försöker vi förutsäga det på ett bättre sätt."
Forskarna utvecklade ett modelleringsramverk för SWE-förutsägelse och anpassade det för att fånga information i rum och tid, i syfte att förutsäga det dagliga SWE-värdet för vilken plats som helst, oavsett om det finns en station där eller inte. Tidigare maskininlärningsmodeller kunde bara fokusera på den ena tidsvariabeln, ta data för en plats under flera dagar och använda denna data och göra förutsägelser för de andra dagarna.
"Med vår nya teknik använder vi både rumsliga och tidsmässiga modeller för att fatta beslut, och vi använder den ytterligare informationen för att göra den faktiska förutsägelsen för SWE-värdet", sa Thapa.
"Med vårt arbete försöker vi omvandla det fysiskt glesa nätverket av stationer till täta punkter från vilka vi kan förutsäga värdet av SWE från de punkter som inte har några stationer."
Även om detta arbete inte kommer att användas för att direkt informera beslut ännu, är det ett steg i att hjälpa till med framtida prognoser och förbättra indata för modeller för att förutsäga strömflöden, sa Rajagopalan. Forskarna kommer att arbeta med att utöka modellen för att göra den rumsligt komplett och så småningom göra den till en verklig prognosmodell.
Mer information: 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
Tillhandahålls av Washington State University