Vědci vyvinuli HydroGraphNet: AI model pro přesnější předpovědi průtoku vody a dusíku v povodích

Přesné prostorové předpovědi průtoku vody a dynamiky exportu dusíku jsou klíčové pro precizní řízení zemědělských povodí.

Přesné prostorové předpovědi průtoku vody a dynamiky exportu dusíku jsou klíčové pro precizní řízení zemědělských povodí. Současné modely hlubokého učení, ačkoliv dosahují dobrých výsledků v rámci celých povodí, mají omezenou schopnost prostorové generalizace, zejména v oblastech s nedostatkem dat.

K řešení tohoto problému navrhl tým vědců pod vedením Centra pro pokročilé bioenergie a bioprodukty (CABBI) systém HydroGraphNet. Jedná se o rámec grafového strojového učení řízený znalostmi, který integruje procesní znalosti a explicitní prostorové učení do časového modelování. Rámec HydroGraphNet využívá topologii směrovaných grafů k zakódování propojenosti povodí a přítoků z horních toků, přičemž pro zlepšení fyzické konzistence uplatňuje omezení založená na bilanci hmoty. Model byl předtrénován na syntetických datech, aby se zlepšila jeho schopnost generalizace v řídce monitorovaných oblastech.

HydroGraphNet byl testován v povodí horní řeky Sangamon, kde byl porovnáván se dvěma referenčními modely. Po doladění modelu pomocí monitorovacích dat USGS výrazně překonal referenční modely v předpovědích průtoku i zatížení dusičnanovým dusíkem (NO3–N). Analýza atribuce navíc zdůraznila význam reprezentace přítoků z horních toků a prostorového učení založeného na grafech pro zachycení závislostí mezi dílčími povodími. Model dokázal reprodukovat sezónní hydrologické a biogeochemické vzorce, které jsou v souladu se známými procesy, což prokazuje jeho robustnost a věrnost procesům pro prostorově distribuované předpovědi.

HydroGraphNet tak nabízí obecně použitelný rámec pro distribuované modelování, který podpoří prostorově cílené řízení kvality vody v povodích s nedostatkem dat. Tento pokrok může vést k efektivnějším strategiím pro ochranu vodních zdrojů a udržitelnějšímu zemědělství.