Local SNOTEL do Monte Eyak, acima da cidade costeira de Cordova, Alasca. A profundidade da neve é de cerca de 10,5 pés, com densidade de 45%. Tirada em abril de 2012. Crédito:Daniel Fisher do Serviço de Conservação de Recursos Naturais do USDA. Um novo modelo informático utiliza um melhor processo de inteligência artificial para medir com maior precisão a disponibilidade de neve e água ao longo de vastas distâncias no Ocidente, informação que poderá algum dia ser utilizada para prever melhor a disponibilidade de água para agricultores e outros.
Publicação nos Proceedings of the AAAI Conference on Artificial Intelligence , o grupo interdisciplinar de pesquisadores da Universidade Estadual de Washington prevê a disponibilidade de água em áreas no oeste onde a quantidade de neve não está sendo medida fisicamente.
Comparando os seus resultados com medições de mais de 300 estações de medição de neve no oeste dos EUA, eles mostraram que o seu modelo superou outros modelos que utilizam o processo de IA conhecido como aprendizagem automática.
Os modelos anteriores concentravam-se em medidas relacionadas ao tempo, coletando dados em diferentes momentos de apenas alguns locais. O modelo aprimorado leva em consideração o tempo e o espaço, resultando em previsões mais precisas.
A informação é extremamente importante para os planejadores hídricos em todo o Ocidente porque “cada gota de água” é apropriada para irrigação, energia hidrelétrica, água potável e necessidades ambientais, disse Krishu Thapa, estudante de graduação em ciência da computação da Universidade Estadual de Washington que liderou o estudo.
As agências de gestão de água em todo o Ocidente tomam decisões a cada primavera sobre como usar a água com base na quantidade de neve nas montanhas.
“Este é um problema que está profundamente relacionado com o nosso próprio modo de vida nesta região do oeste dos EUA”, disse a co-autora Kirti Rajagopalan, professora do Departamento de Engenharia de Sistemas Biológicos da WSU.
"A neve é definitivamente fundamental em uma área onde mais da metade do fluxo vem do derretimento da neve. Compreender a dinâmica de como ela se forma e como isso muda, e como varia espacialmente é realmente importante para todas as decisões."
Existem 822 estações de medição de neve em todo o oeste dos EUA que fornecem informações diárias sobre a disponibilidade potencial de água em cada local, uma medida chamada equivalente de água-neve (SWE). As estações também fornecem informações sobre profundidade da neve, temperatura, precipitação e umidade relativa.
No entanto, as estações estão distribuídas de forma esparsa, com aproximadamente uma a cada 1.500 milhas quadradas. Mesmo a uma curta distância de uma estação, o SWE pode mudar drasticamente dependendo de fatores como a topografia da área.
“Os tomadores de decisão olham para algumas estações próximas e tomam uma decisão com base nisso, mas como a neve derrete e como as diferentes topografias ou outras características estão desempenhando um papel intermediário, isso não é levado em consideração e pode levar a prever demais ou subestimar o abastecimento de água", disse o coautor Bhupinderjeet Singh, estudante de pós-graduação da WSU em engenharia de sistemas biológicos.
“Usando esses modelos de aprendizado de máquina, estamos tentando prever isso de uma maneira melhor”.
Os pesquisadores desenvolveram uma estrutura de modelagem para previsão de SWE e a adaptaram para capturar informações no espaço e no tempo, com o objetivo de prever o SWE diário para qualquer local, existindo ou não uma estação ali. Os modelos anteriores de aprendizado de máquina só podiam se concentrar em uma variável temporal, coletando dados de um local durante vários dias e usando esses dados, fazendo previsões para os outros dias.
“Usando nossa nova técnica, estamos usando modelos espaciais e temporais para tomar decisões, e estamos usando as informações adicionais para fazer a previsão real do valor SWE”, disse Thapa.
“Com o nosso trabalho, estamos tentando transformar essa rede fisicamente esparsa de estações em pontos densos a partir dos quais podemos prever o valor do SWE a partir dos pontos que não possuem estações.”
Embora este trabalho ainda não seja usado para informar diretamente as decisões, é um passo para ajudar nas previsões futuras e melhorar os dados para modelos de previsão de fluxos de rios, disse Rajagopalan. Os pesquisadores trabalharão para estender o modelo para torná-lo espacialmente completo e, eventualmente, transformá-lo em um modelo de previsão do mundo real.
