Pubblicazione negli Atti della conferenza AAAI sull'intelligenza artificiale , il gruppo interdisciplinare di ricercatori della Washington State University prevede la disponibilità di acqua nelle aree occidentali dove la quantità di neve non viene misurata fisicamente.

Confrontando i loro risultati con le misurazioni di oltre 300 stazioni di misurazione della neve negli Stati Uniti occidentali, hanno dimostrato che il loro modello ha sovraperformato altri modelli che utilizzano il processo di intelligenza artificiale noto come apprendimento automatico.

I modelli precedenti si concentravano su misure legate al tempo, prendendo dati in momenti diversi solo da poche località. Il modello migliorato tiene conto sia del tempo che dello spazio, ottenendo previsioni più accurate.

Le informazioni sono di fondamentale importanza per i pianificatori idrici di tutto l'Occidente perché "ogni goccia d'acqua" è destinata all'irrigazione, all'energia idroelettrica, all'acqua potabile e ai bisogni ambientali, ha affermato Krishu Thapa, uno studente laureato in informatica della Washington State University che ha condotto lo studio. /P>

Ogni primavera le agenzie di gestione dell'acqua in tutto l'Occidente prendono decisioni su come utilizzare l'acqua in base alla quantità di neve presente sulle montagne.

"Questo è un problema profondamente legato al nostro modo di vivere in questa regione degli Stati Uniti occidentali", ha affermato il coautore Kirti Rajagopalan, professore presso il Dipartimento di ingegneria dei sistemi biologici della WSU.

"La neve è sicuramente fondamentale in un'area in cui più della metà del flusso proviene dallo scioglimento della neve. Comprendere le dinamiche di come si forma, come cambia e come varia nello spazio è davvero importante per tutte le decisioni."

Ci sono 822 stazioni di misurazione della neve in tutti gli Stati Uniti occidentali che forniscono informazioni giornaliere sulla potenziale disponibilità di acqua in ciascun sito, una misurazione chiamata equivalente acqua-neve (SWE). Le stazioni forniscono anche informazioni sull'altezza della neve, sulla temperatura, sulle precipitazioni e sull'umidità relativa.

Tuttavia, le stazioni sono scarsamente distribuite, circa una ogni 1.500 miglia quadrate. Anche a breve distanza da una stazione, l'SWE può cambiare notevolmente a seconda di fattori come la topografia dell'area.

"I decisori esaminano alcune stazioni che si trovano nelle vicinanze e prendono una decisione in base a ciò, ma il modo in cui la neve si scioglie e il modo in cui la diversa topografia o altre caratteristiche giocano un ruolo nel mezzo, non viene preso in considerazione e ciò può portare a prevedere in modo eccessivo o insufficiente le forniture idriche", ha affermato il coautore Bhupinderjeet Singh, uno studente laureato della WSU in ingegneria dei sistemi biologici.

"Utilizzando questi modelli di apprendimento automatico, stiamo cercando di prevederlo in un modo migliore."

I ricercatori hanno sviluppato un quadro di modellizzazione per la previsione dell'SWE e lo hanno adattato per acquisire informazioni nello spazio e nel tempo, con l'obiettivo di prevedere l'SWE giornaliero per qualsiasi luogo, indipendentemente dal fatto che vi sia o meno una stazione. I precedenti modelli di machine learning potevano concentrarsi solo su una variabile temporale, prendendo i dati per una posizione per più giorni e utilizzando tali dati per fare previsioni per gli altri giorni.

"Utilizzando la nostra nuova tecnica, utilizziamo sia modelli spaziali che temporali per prendere decisioni e utilizziamo le informazioni aggiuntive per effettuare la previsione effettiva per il valore SWE", ha affermato Thapa.

"Con il nostro lavoro, stiamo cercando di trasformare quella rete fisicamente sparsa di stazioni in punti densi da cui possiamo prevedere il valore di SWE da quei punti che non hanno stazioni."

Anche se questo lavoro non sarà ancora utilizzato per prendere decisioni direttamente informate, è un passo avanti per aiutare con le previsioni future e migliorare gli input per i modelli per prevedere i flussi dei corsi d'acqua, ha affermato Rajagopalan. I ricercatori lavoreranno per estendere il modello per renderlo spazialmente completo e infine trasformarlo in un modello di previsione del mondo reale.