Novi kompjuterski model koristi bolji proces veštačke inteligencije za preciznije merenje dostupnosti snega i vode na velikim udaljenostima na Zapadu, informacije koje bi se jednog dana mogle koristiti za bolje predviđanje dostupnosti vode za farmere i druge.
Objavljujući u Zborniku radova AAAI konferencije o veštačkoj inteligenciji, interdisciplinarna grupa istraživača Vašingtonskog državnog univerziteta predviđa dostupnost vode iz oblasti na Zapadu gde se količine snega ne mere fizički.
Upoređujući svoje rezultate sa merenjima sa više od 300 stanica za merenje snega u zapadnim SAD, oni su pokazali da je njihov model nadmašio druge modele koji koriste AI proces poznat kao mašinsko učenje.
Prethodni modeli su se fokusirali na mere vezane za vreme, uzimajući podatke u različitim vremenskim tačkama sa samo nekoliko lokacija. Poboljšani model koristi i vreme i prostor, što rezultira preciznijim predviđanjima.
Informacije su od ključne važnosti za planere vode širom Zapada jer se „svaka kap vode“ koristi za navodnjavanje, hidroenergiju, vodu za piće i ekološke potrebe, rekao je Krishu Thapa, diplomirani student informatike sa Univerziteta Vašington koji je vodio studiju.
Vodoprivredne agencije širom Zapada svakog proleća donose odluke o tome kako da koriste vodu na osnovu toga koliko snega ima u planinama.
„Ovo je problem koji je duboko povezan sa našim načinom života koji se nastavlja u ovom regionu u zapadnim SAD“, rekao je koautor Kirti Rajagopalan, profesor na Odeljenju za inženjerstvo bioloških sistema VSU.
„Sneg je definitivno ključan u oblasti u kojoj više od polovine toka potiče od topljenja snega. Razumevanje dinamike kako se to formira i kako se menja, i kako varira prostorno je zaista važno za sve odluke.“
Postoje 822 stanice za merenje snega širom zapadne SAD koje pružaju dnevne informacije o potencijalnoj dostupnosti vode na svakoj lokaciji, merenje koje se zove ekvivalent snega i vode (SVE). Stanice takođe pružaju informacije o visini snega, temperaturi, padavinama i relativnoj vlažnosti.
Međutim, stanice su retko raspoređene sa otprilike jednom na svakih 1.500 kvadratnih milja. Čak i na maloj udaljenosti od stanice, SVE se može dramatično promeniti u zavisnosti od faktora kao što je topografija područja.
„Donosioci odluka posmatraju nekoliko stanica koje su u blizini i na osnovu toga donose odluku, ali kako se sneg topi i kako različita topografija ili druge karakteristike igraju ulogu između, to se ne uzima u obzir, a to može dovesti do preko predviđanja ili premalo predviđanja zaliha vode“, rekao je koautor Bhupinderjeet Singh, student diplomskog studija bioloških sistema na VSU.
„Koristeći ove modele mašinskog učenja, pokušavamo da to predvidimo na bolji način.“
Istraživači su razvili okvir za modeliranje za predviđanje SVE i prilagodili ga da uhvati informacije u prostoru i vremenu, sa ciljem da predvide dnevni SVE za bilo koju lokaciju, bez obzira da li tamo postoji stanica ili ne. Raniji modeli mašinskog učenja mogli su da se fokusiraju samo na jednu vremensku promenljivu, uzimajući podatke za jednu lokaciju za više dana i koristeći te podatke, praveći predviđanja za druge dane.
„Koristeći našu novu tehniku, koristimo i prostorne i vremenske modele za donošenje odluka, a koristimo dodatne informacije da napravimo stvarno predviđanje za SVE vrednost“, rekao je Thapa.
„Našim radom pokušavamo da transformišemo tu fizički retku mrežu stanica u guste tačke iz kojih možemo predvideti vrednost SVE iz onih tačaka koje nemaju nijednu stanicu.
Iako se ovaj rad još uvek neće koristiti za direktno informisanje odluka, to je korak u pomoći u budućim predviđanjima i poboljšanju inputa za modele za predviđanje tokova toka, rekao je Rajagopalan. Istraživači će raditi na proširenju modela kako bi ga učinili prostorno potpunim i na kraju ga pretvorili u model predviđanja u stvarnom svetu.
