Нурлан Каримов 
Будущее обеспечение населения чистой питьевой водой может напрямую зависеть от способности науки не только прогнозировать движение водных масс, но и предвидеть их химический состав. Мощное сочетание искусственного интеллекта, данных с высокочастотных датчиков и передовых моделей речного стока теперь позволяет исследователям предсказывать изменения качества воды еще до того, как они произойдут.
Это достижение способно помочь системам водоснабжения по всей стране опережать такие угрозы, как резкое увеличение содержания взвешенных частиц после штормов, вредоносное цветение водорослей или попадание удобрений со сточными водами. Группа исследователей из Университета Вермонта сделала первые шаги, доказав, что прогнозирование именно качества воды, а не только ее количества, теперь стало реальностью.
По всей стране ученые и специалисты по управлению водными ресурсами уже полагаются на Национальную водную модель (NWM), крупномасштабную компьютерную систему, созданную для прогнозирования движения ручьев и рек. Она использует метеорологические прогнозы, данные об осадках и наблюдения за водотоками для оценки перемещения воды по ландшафту. Эти прогнозы помогают людям готовиться к наводнениям, засухам и другим экстремальным явлениям.
Теперь исследователи трансформируют возможности этой модели. Добавив машинное обучение и данные с датчиков, они создали систему, способную также прогнозировать мутность воды – показатель ее прозрачности, зависящий от содержания осадка и частиц. Ученый Эндрю Шрот, руководивший исследованием, говорит, что этот новый инструмент может быть внедрен по всей стране и широко использоваться теми, кому прогнозы качества воды могут пригодиться в самых разных областях. Его команда впервые продемонстрировала, что, объединив ИИ с NWM, можно предсказывать помутнение воды за несколько дней.
Для проверки своей идеи команда выбрала водную систему с реальными проблемами: ручей Эсопус Крик в штате Нью-Йорк, являющийся частью горного массива Катскилл. Этот ручей впадает в водохранилище Ашокан, которое обеспечивает почти 40% питьевой воды для Нью-Йорка. Город полагается на это водохранилище как на часть крупнейшей в стране системы водоснабжения без фильтрации.
Мутность является одной из главных проблем для этого источника воды. Когда она становится слишком высокой – обычно во время или после штормов – город вынужден сокращать использование воды из водохранилища. Такой переход влияет на доставку воды, планирование и затраты. Проблема берет начало в самих землях: долина ручья Эсопус Крик содержит много рыхлых ледниковых отложений, включая мелкую глину, ил и гравий. Во время штормов берега ручья размываются, и эти частицы попадают в воду, делая ее мутной. Такая мутность может сохраняться неделями или даже месяцами. Шрот поясняет, что когда во время или после сильных штормов в водохранилище поступает слишком много осадка, Нью-Йорку приходится ограничивать подачу воды и изменять свою работу. Именно поэтому его команда сосредоточилась на прогнозировании мутности, а не только расхода воды.
Исследователи создали свой инструмент прогнозирования, обучив модель машинного обучения под названием LightGBM. Эта система ИИ использует данные более чем пятилетних показаний датчиков, которые каждые несколько минут отслеживают мутность и расход воды. Они загрузили в модель прогнозы из NWM и обучили ее распознавать, как будущие изменения речного стока приводят к изменениям мутности. Модель смогла с высокой точностью предсказывать уровни мутности на срок до трех дней. По сравнению с более простыми моделями, версия с машинным обучением показала лучшие результаты, легче справляясь со сложными ландшафтами и выдавая надежные прогнозы, особенно краткосрочные. Она даже указала, какие условия – например, высокий расход воды – больше всего влияют на мутность.
Это открытие имеет большое значение. Оно показывает, что понятные и эффективные инструменты ИИ, в сочетании с данными датчиков и прогнозами речного стока, могут помочь предсказывать качество воды. Данное исследование знаменует собой первое использование NWM таким образом. Джон Кемпер, научный сотрудник, работавший над исследованием, подчеркивает, что превращение инструмента прогнозирования расхода воды в инструмент прогнозирования качества воды открывает путь к тому, чтобы все более доступные прогнозы служили нуждам общества.
Успех в горах Катскилл демонстрирует, как эта модель может быть полезна далеко за пределами Нью-Йорка. При поддержке Кооперативного института исследований для операционной гидрологии (CIROH), национального партнерства, финансируемого NOAA и Геологической службой США, исследователи сейчас работают над расширением охвата этого инструмента. Сотни населенных пунктов по всей территории Соединенных Штатов сталкиваются с проблемами качества воды. Многие используют датчики для мониторинга мутности, питательных веществ и загрязнителей. Теперь, с таким инструментом прогнозирования, они могли бы получать ранние предупреждения о надвигающихся проблемах.
Например, водоочистная станция могла бы использовать прогнозы мутности для подготовки к поступлению осадка, возможно, избегая остановки работы. Местный департамент здравоохранения мог бы быстрее реагировать на потенциальное цветение водорослей, закрывая пляжи до того, как пловцы заболеют. Фермеры могли бы корректировать использование удобрений на основе ожидаемых уровней воды, избегая стоков, наносящих вред рекам и озерам. Модель работает, выявляя связи между потоком воды и конкретными загрязнителями или условиями. В Нью-Йорке она была сфокусирована на мутности. Но в других местах она может быть нацелена на питательные вещества, такие как азот или фосфор, или другие вещества, например, хлориды. Структура модели позволяет адаптировать ее к различным потребностям. Шрот утверждает, что это открывает новое окно возможностей, которое действительно может принести пользу всей стране в будущем.
Система работает не только в теории. Национальная водная модель уже предоставляет ежечасные прогнозы речного стока по всей территории США. Эти данные общедоступны и легко получаемы. Датчики, используемые многими водными системами, также предоставляют частые обновления. Объединяя эти два источника и обучая локальные модели ИИ, сообщества могут начать создавать собственные прогнозы качества воды. Эта работа показывает, что наука о данных и экология могут объединиться для решения насущных проблем. Поскольку изменение климата увеличивает количество и интенсивность штормов, риски, связанные с осадками и загрязнением, также будут расти. Возможность предсказывать эти события может помочь снизить риски для здоровья, защитить экосистемы и сэкономить деньги на очистке воды. Данный проект доказывает, что при наличии правильных инструментов даже небольшие исследовательские группы могут добиваться значительных результатов. При дальнейшей поддержке такие модели могут стать основной частью управления водными ресурсами страны в ближайшие годы. Результаты исследования доступны онлайн в Journal of the American Water Resources Association.
