Publicado en las Actas de la Conferencia AAAI sobre Inteligencia Artificial , el grupo interdisciplinario de investigadores de la Universidad Estatal de Washington predice la disponibilidad de agua en áreas del oeste donde no se miden físicamente las cantidades de nieve.

Al comparar sus resultados con las mediciones de más de 300 estaciones de medición de nieve en el oeste de EE. UU., demostraron que su modelo superó a otros modelos que utilizan el proceso de inteligencia artificial conocido como aprendizaje automático.

Los modelos anteriores se centraban en medidas relacionadas con el tiempo, tomando datos en diferentes puntos temporales de sólo unas pocas ubicaciones. El modelo mejorado tiene en cuenta tanto el tiempo como el espacio, lo que da como resultado predicciones más precisas.

La información es de vital importancia para los planificadores del agua en todo Occidente porque "cada gota de agua" es apropiada para irrigación, energía hidroeléctrica, agua potable y necesidades ambientales, dijo Krishu Thapa, un estudiante graduado en ciencias de la computación de la Universidad Estatal de Washington que dirigió el estudio. /P>

Cada primavera, las agencias de gestión del agua en todo Occidente toman decisiones sobre cómo utilizar el agua en función de la cantidad de nieve que hay en las montañas.

"Este es un problema que está profundamente relacionado con nuestra propia forma de vida que continúa en esta región del oeste de Estados Unidos", dijo la coautora Kirti Rajagopalan, profesora del Departamento de Ingeniería de Sistemas Biológicos de WSU.

"La nieve es definitivamente clave en un área donde más de la mitad del caudal proviene del deshielo. Comprender la dinámica de cómo se forma y cómo cambia, y cómo varía espacialmente es realmente importante para todas las decisiones".

Hay 822 estaciones de medición de nieve en todo el oeste de EE. UU. que brindan información diaria sobre la disponibilidad potencial de agua en cada sitio, una medición llamada equivalente de agua de nieve (SWE). Las estaciones también proporcionan información sobre la profundidad de la nieve, la temperatura, las precipitaciones y la humedad relativa.

Sin embargo, las estaciones están escasamente distribuidas:aproximadamente una cada 1.500 millas cuadradas. Incluso a una corta distancia de una estación, el SWE puede cambiar dramáticamente dependiendo de factores como la topografía del área.

"Los tomadores de decisiones miran algunas estaciones cercanas y toman una decisión basada en eso, pero cómo se derrite la nieve y cómo las diferentes topografías u otras características juegan un papel en el medio, eso no se tiene en cuenta, y eso puede conducir a predecir demasiado o subestimar los suministros de agua", afirmó el coautor Bhupinderjeet Singh, estudiante graduado en ingeniería de sistemas biológicos de WSU.

"Utilizando estos modelos de aprendizaje automático, intentamos predecirlo de una mejor manera".

Los investigadores desarrollaron un marco de modelado para la predicción del SWE y lo adaptaron para capturar información en el espacio y el tiempo, con el objetivo de predecir el SWE diario para cualquier ubicación, haya o no una estación allí. Los modelos anteriores de aprendizaje automático solo podían centrarse en una variable temporal, tomar datos de una ubicación durante varios días y utilizar esos datos para hacer predicciones para los demás días.

"Utilizando nuestra nueva técnica, utilizamos modelos espaciales y temporales para tomar decisiones, y utilizamos información adicional para hacer la predicción real del valor SWE", dijo Thapa.

"Con nuestro trabajo, estamos tratando de transformar esa red físicamente escasa de estaciones en puntos densos desde los cuales podemos predecir el valor de SWE desde aquellos puntos que no tienen estaciones".

Si bien este trabajo aún no se utilizará para informar directamente las decisiones, es un paso para ayudar con los pronósticos futuros y mejorar los datos de entrada para los modelos para predecir los flujos de los arroyos, dijo Rajagopalan. Los investigadores trabajarán para ampliar el modelo para hacerlo espacialmente completo y eventualmente convertirlo en un modelo de pronóstico del mundo real.