Команда исследователей из Университета Миннесоты, Университета Питтсбурга и Геологической службы США, недавно опубликовала новое исследование по прогнозированию расхода и температуры в речных сетях на Международной конференции Общества промышленной и прикладной математики (SIAM) 2021 года по интеллектуальному анализу данных (SDM21).

Исследование демонстрирует новый метод машинного обучения, где алгоритм «обучается» правилам внешнего мира, чтобы делать более точные прогнозы и направлять алгоритм к физически значимым отношениям между входами и выходами.

В исследовании представлена модель, которая может сделать более точные прогнозы температуры рек и проточных вод, даже когда данных мало, что характерно для большинства водоемов. Модель также может лучше обобщать разные периоды времени.

«Температура воды в проточных водах является главной переменной для большинства водных систем, включая пригодность водных систем обитания, скорость испарения, обмен парниковых газов и эффективность производства термоэлектрической энергии», - сказал Сяовэй Цзя, ведущий автор исследования, и доцент кафедры компьютерных наук Университета Питтсбурга.

Новый метод, опубликованный Цзя, который с 2020 года является доктором философии, выпускником факультета компьютерных наук и инженерии Университета Миннесоты в Колледже науки и инженерии, и его коллеги используют «машинное обучение, управляемое процессами или знаниями». Этот метод применяется к варианту использования прогноза температуры воды в бассейне реки Делавэр (DRB) и предназначен для преодоления некоторых распространенных ошибок прогнозирования с использованием машинного обучения. Этот метод информирует модель машинного обучения с помощью относительно простого процесса - корреляции во времени, пространственных связей между потоками и уравнений баланса энергии.

Разрозненность данных и изменчивость динамики температуры в проточных водах характерны не только для бассейна реки Делавэр. По сравнению с большей частью континентальной части Соединенных Штатов, в бассейне реки Делавэр хорошо контролируется температура воды. Таким образом, этот водоем является идеальным местом для разработки новых методов прогнозирования температуры в проточных водах.

Интерактивное визуальное объяснение, выпущенное Геологической службой США, подчеркивает эти разработки моделей и важность прогнозов температуры воды в бассейне реки Делавэр. Визуализация демонстрирует потребность общества в прогнозировании температуры воды, когда водохранилища обеспечивают питьевой водой более 15 миллионов человек, но также имеют конкурирующие потребности в воде для поддержания потоков вниз по течению и среды обитания в холодной воде для важных видов промысловых рыб. Управляющие водохранилищами могут выпускать холодную воду, когда они ожидают, что температура превысит критические пороговые значения, и наличие точных температурных прогнозов является ключом к использованию ограниченных водных ресурсов только по необходимости.

Недавнее исследование основано на сотрудничестве между учеными – водниками Геологической службы США и компьютерными специалистами Университета Миннесотских городов-побратимов в лаборатории профессора Випина Кумара на факультете компьютерных наук и инженерии Научно-инженерного колледжа, где ученые разрабатывают техники машинного обучения, основанные на знаниях.

Методы машинного обучения нового поколения, финансируемые программой Государственного научного фонда Harnessing the Data Revolution Program, используются для решения множества экологических проблем, таких как улучшение прогнозов температуры в озерах и проточных водах.

В другой работе по прогнозированию динамики температуры воды в неконтролируемых озерах, исследователи показывают, как модели машинного обучения, основанные на знаниях, использовались для решения одной из самых сложных задач прогнозирования окружающей среды – прогнозирования в неконтролируемых экосистемах.

Модели были перенесены из хорошо наблюдаемых озер в озера с небольшим количеством наблюдений или без таковых, что привело к точным прогнозам даже в тех водоемах, где нет наблюдений за температурой. Исследователи говорят, что их подход легко распространяется на тысячи озер, демонстрируя, что метод (со значимыми переменными-предикторами и высококачественными моделями источников) является многообещающим подходом для многих видов неконтролируемых систем и переменных окружающей среды в будущем.