Un nuevo modelo informático utiliza un proceso de inteligencia artificial perfeccionado para medir de manera más precisa la nieve y la disponibilidad de agua en zonas extensas del oeste de Estados Unidos, información que algún día podría utilizarse para predecir mejor la disponibilidad de agua para la agricultura y otros usos.
Publicado en Proceedings of the AAAI Conference on Artificial Intelligence, con el nuevo método, un grupo interdisciplinar de investigadores de la Universidad Estatal de Washington predice la disponibilidad de agua en áreas del oeste donde la cantidad de nieve no se está midiendo físicamente.
Comparando sus resultados con mediciones de más de 300 estaciones de medición de nieve en el oeste de Estados Unidos, mostraron que su modelo superó a otros modelos que utilizan el proceso de IA conocido como aprendizaje automático.
Los modelos anteriores se centraban en medidas relacionadas con el tiempo, tomando datos en diferentes momentos de solo unos pocos lugares. El modelo perfeccionado tiene en cuenta tanto el tiempo como el espacio, lo que resulta en predicciones más precisas.
La información podría utilizarse algún día para predecir mejor la disponibilidad de agua para la agricultura y otros usos
Esta información es sumamente importante para la planificación de los recursos hídricos en todo el oeste porque «cada gota de agua» se destina a riego, energía hidroeléctrica, agua potable y necesidades ambientales, dijo Krishu Thapa, un estudiante de posgraduado de ciencias de la computación de la Universidad Estatal de Washington que dirigió el estudio.
Los organismos de gestión del agua del oeste toman decisiones cada primavera sobre los usos del agua en función de la cantidad de nieve en las montañas.
«Este es un problema profundamente relacionado con la permanencia de nuestra propia forma de vida en esta región, en el oeste de los Estados Unidos», dijo la coautora Kirti Rajagopalan, profesora en el Departamento de Ingeniería de Sistemas Biológicos de la Universidad Estatal de Washington.
«La nieve es definitivamente clave en un área donde más de la mitad de los caudales hidrológicos provienen del deshielo de la nieve. Comprender la dinámica de cómo se originan y cómo cambian, y cómo varían espacialmente es realmente importante para todas las decisiones».
Hay 822 estaciones de medición de nieve en todo el oeste de los Estados Unidos que proporcionan información diaria sobre la posible disponibilidad de agua en cada sitio, una medida llamada equivalente en agua de nieve (SWE). Las estaciones también proporcionan información sobre la profundidad de la nieve, la temperatura, la precipitación y la humedad relativa.
Sin embargo, las estaciones están distribuidas de manera dispersa, con aproximadamente una cada 1,500 millas cuadradas. Incluso a una corta distancia de una estación, el SWE puede cambiar drásticamente dependiendo de factores como la topografía de la zona.
«Los tomadores de decisiones observan algunas estaciones cercanas y toman decisiones en función de eso, pero cómo se derrite la nieve y cómo las diferentes topografías u otras características están jugando un papel en el medio, eso no se tiene en cuenta, y eso puede llevar a sobreestimar o subestimar el agua disponible», dijo el coautor Bhupinderjeet Singh, un estudiante de posgraduado de la Universidad Estatal de Washington en ingeniería de sistemas biológicos.
«Usando estos modelos de aprendizaje automático, estamos tratando de predecirlo de una manera mejor».
Los investigadores desarrollaron una estructura de modelo para la predicción de SWE y lo adaptaron para capturar información en el espacio y el tiempo, con el objetivo de predecir el SWE diario para cualquier ubicación, bien haya una estación allí o no. Los modelos de aprendizaje automático anteriores solo podían usar la variable temporal, tomando datos de un lugar durante varios días y usando esos datos para hacer predicciones para los otros días.
«Con nuestra nueva técnica, estamos usando modelos tanto espaciales como temporales para tomar decisiones, y estamos usando la información adicional para hacer la predicción real del valor de SWE», dijo Thapa.
«Con nuestro trabajo, estamos tratando de transformar esa red físicamente dispersa de estaciones en puntos densos desde los cuales podemos predecir el valor de SWE a partir de esos puntos que no tienen ninguna estación».
Si bien este trabajo aún no se utilizará para informar decisiones directamente, es un paso para ayudar con las predicciones futuras y mejorar las entradas para los modelos de predicción de caudales hidrológicos, dijo Rajagopalan. Los investigadores trabajarán para extender el modelo para hacerlo espacialmente completo y eventualmente convertirlo en un modelo de pronóstico del mundo real.
