一种新的计算机模型使用更好的人工智能过程来更准确地测量西方遥远距离的雪和水的可用性,这些信息有一天可以用来更好地预测农民和其他人的水可用性。
华盛顿州立大学研究人员组成的跨学科小组在 AAAI 人工智能会议论文集上发表了一篇文章,预测了未对降雪量进行物理测量的西部地区的可用水量。
将他们的结果与美国西部 300 多个雪测量站的测量结果进行比较,他们发现他们的模型优于其他使用称为机器学习的人工智能过程的模型。 以前的模型侧重于与时间相关的度量,仅从几个位置获取不同时间点的数据。 改进后的模型同时考虑了时间和空间,从而产生更准确的预测。
领导这项研究的华盛顿州立大学计算机科学研究生克里舒·塔帕 (Krishu Thapa) 表示,这些信息对于整个西方的水资源规划者至关重要,因为“每一滴水”都用于灌溉、水力发电、饮用水和环境需求。
每年春天,整个西部地区的水管理机构都会根据山上的积雪量来决定如何用水。
“这个问题与美国西部这一地区我们自己的生活方式密切相关,”该研究的合著者、华盛顿州立大学生物系统工程系教授 Kirti Rajagopalan 说。 “对于一个超过一半的水流来自融雪的地区来说,雪绝对是关键。了解雪的形成、变化以及空间变化的动态对于所有决策都非常重要。”
美国西部有 822 个雪测量站,每天提供有关每个站点潜在可用水量的信息,这种测量称为雪水当量 (SWE)。 这些站还提供有关雪深、温度、降水和相对湿度的信息。
然而,这些站点分布稀疏,大约每 1,500 平方英里就有一个。 即使距离车站很近,SWE 也可能会根据该地区地形等因素发生巨大变化。
“决策者会查看附近的几个车站,并据此做出决定,但是雪如何融化以及不同的地形或其他特征如何在两者之间发挥作用,这些都没有考虑在内,这可能会导致过度预测或低估供水量,”合著者、华盛顿州立大学生物系统工程研究生 Bhupinderjeet Singh 说。 “使用这些机器学习模型,我们正在尝试以更好的方式进行预测。”
研究人员开发了 SWE 预测的建模框架,并使其能够捕获空间和时间信息,旨在预测任何位置的每日 SWE,无论那里是否有车站。 早期的机器学习模型只能关注一个时间变量,获取一个位置多天的数据并使用该数据,对其他天进行预测。
“使用我们的新技术,我们使用空间和时间模型来做出决策,并且我们使用附加信息来对 SWE 值进行实际预测,”塔帕说。 “通过我们的工作,我们正在尝试将物理上稀疏的站点网络转变为密集点,这样我们就可以从那些没有任何站点的点预测 SWE 的值。”
拉贾戈帕兰说,虽然这项工作还不会用于直接为决策提供信息,但它是帮助未来预测和改进预测水流模型输入的一步。 研究人员将致力于扩展该模型,使其在空间上完整,并最终使其成为现实世界的预测模型。
这项工作是通过人工智能劳动力转型和决策支持研究所(AgAID Institute)进行的,并得到了美国农业部国家粮食和农业研究所的支持。
资讯来源:由a0资讯编译自THECOINREPUBLIC。版权归作者A0资讯所有,未经许可,不得转载