Modellering av vattenflöden med maskininlärning

Dessutom har dräneringen av våtmarker och dikning stört det vattnets naturliga kretslopp och förvärrat effekterna av extrema väderhändelser.

För att klara av dessa utmaningar behöver vi förstå hur vatten flödar i miljön och hur det påverkas av olika faktorer, såsom nederbörd, temperatur, marktäcke, jord och höjd. Detta kan hjälpa oss att fatta välgrundade beslut om naturbaserade klimatanpassningstekniker, såsom återställande av våtmarker, grönare stadsområden och skydd av mark. Traditionella hydrologiska modeller som förlitar sig på expertkunskap och fysikaliska egenskaper är dock begränsade i sin förmåga att generalisera och fånga komplexiteten och variationen i vattenflödesdynamiken.

I det här projektet föreslår vi en ny maskininlärningsmetod (ML) för att förutsäga vattenflödesintensitet som utnyttjar både temporala och spatiala data. Vi använder ett fully convolutional neural network (FCN; fullständigt faltningsbaserat neuronnät) som tar emot spatio-temporala indata och förutsäger vattenflödesintensiteten vid varje koordinat för nästa dag. Vårt tillvägagångssätt har två huvudsakliga fördelar:

• Vi inkluderar spatial data som indata till modellen, såsom satellitbilder och flera härledda källor från GIS (geographical information system). Detta gör det möjligt för modellen att lära sig sambanden mellan temporala och spatiala aspekter av den lokala miljön, såsom hur marktäcke, jorddjup och fukt samt höjd påverkar vattenflödet.
• Vi tar oss an uppgiften att förutsäga vattenflödesintensiteten för varje pixel i indatan, snarare än bara för ett fåtal utvalda platser. På så sätt kan vi få en mer detaljerad och heltäckande bild av vattenflödesdynamiken i området och kan skapa en karta med prediktioner.

Projektresultat

Tillvägagångssättet har utvärderats på ett dataset med mätningar av vattenflödesintensitet från avrinningsområden i Sverige, som täcker olika klimat- och miljöförhållanden. Utvärderingen omfattade ablationsstudier och analys av betydelsen av olika faktorer.

Tillvägagångssättet visar styrkor i prestanda, är mycket flexibelt i de informationskällor som kan användas som input till modellen, och ger en förutsägelse med flödesuppskattningar i varje punkt på kartan med indata. Vi visar också några kvalitativa exempel på de förutsägelser som vår modell gör, som illustrerar hur modellen fångar de rumsliga mönstren och variationerna av vattenflödesintensitet i olika avrinningsområden.

Projektets konsekvenser

Vårt projekt visar potentialen i att använda ML för förutsägelse av vattenflödesintensitet, vilket kan ge värdefull information för klimatanpassning och vattenförvaltning. Genom att använda både temporal och spatial data kan vår modell lära sig de komplexa och dynamiska interaktionerna mellan vattenflödet och miljön, och producera högupplösta förutsägelser som kan avslöja den rumsliga fördelningen och heterogeniteten i vattenflödesintensiteten. Detta kan hjälpa oss att bättre förstå översvämningsriskerna och effekterna av begränsning av översvämningar och torka, såväl som de allmänna hydrologiska konsekvenserna av förändringar i markanvändningen.

Vårt projekt öppnar också för nya riktningar för framtida forskning och utveckling, såsom:

• Utvidga arbetet till andra tidshorisonter, till exempel tim- eller veckoprognoser, eller långsiktiga prognoser.
• Inkludera andra typer av data, såsom grundvatten eller snötäcke, för att förbättra modellens noggrannhet och robusthet.
• Utforska modellens förklaringsbarhet och tolkningsbarhet, för att förstå hur modellen gör förutsägelser och vilka egenskaper den bygger på.
• Utveckla användarvänliga och interaktiva verktyg och gränssnitt för att underlätta kommunikation och visualisering av modellförutsägelser och deras osäkerheter.