Kan kunstig intelligens bruges til at forbedre forudsigelserne af mængder og variationer af vand i danske vandløb? Det har et hold hydrologer fra GEUS netop testet som de første på 301 danske vandløb, og resultaterne var lovende.
Testkandidaten var en særligt avanceret type maskinlæring eller kunstig intelligens baseret på et ’neuralt netværk’, der har fokus på dynamikker over tid (kaldet LSTM for long short-term memory). I dag simuleres afstrømning i vandløbene af blandt andet Danmarks vandressourcemodel, eller DK-modellen, som er en fysisk baseret model for såvel grundvand som overfladevand. Det vil sige, at den bruger lovmæssigheder for en lang række fysiske sammenhænge for vandets kredsløb, klimadata (nedbør, lufttemperatur, etc.) og parametre som f.eks. hydraulisk ledningsevne.
Den nye maskinlæringsmodel kan bygge oven på DK-modellens ’viden’ med særligt fokus på tidsdimensionen, dvs. koble en tidslig sammenhæng mellem klimadata og afstrømning. Det forklarer GEUS-seniorforsker Julian Koch, der stod i sidsen for studiet, som for nylig udkom i GEUS Bulletin :
”LSTM-modellen kan bl.a. lære sammenhængene i hydrologiske processer fra DK-modellen og regne dem sammen med målt afstrømning, lufttemperaturer, nedbør m.m. som forklarende variabler. LSTM-modellen kan dermed indregne den vigtige, tidslige forsinkelse i afstrømningen, der skyldes vandets varierende veje gennem undergrund eller jordoverflade til vandløbene. Det viste sig at give en nedbør-afstrømningsmodel med en hidtil uset nøjagtighed.”
Vigtigt i oversvømmelsesvarsling
Den ekstra detaljerede viden om den daglige vandføring i vores vandløb og variationen fra dag til dag, er yderst relevant i en lang række forhold i samfundet. For eksempel klimatilpasning, vurdering af økologisk tilstand i vandmiljøet og varsling af oversvømmelser, forklarer Julian Koch.
”Ikke mindst de voldsomme oversvømmelser i Tyskland i sommeren 2021 har mindet os om relevansen af at have god forståelse af risici i forbindelse med ekstreme hændelser, deres forudsigelse og varsling, fordi vi derved kan være beredte på f.eks. oversvømmelser eller tørke, der begge kan have katastrofale konsekvenser.”
Fra tekstanalyse til vand i åen
Den avancerede maskinlæringsmodel har hidtil været anvendt i især sprogteknologi til tekstanalyse, men dens evne til at kende og forudsige mønstre over tid kan altså også bruges til at regne ud, hvor meget vand, der løber i de danske bække og åer.
Forskernes test viste, at i 80 procent af de 301 oplande til vandløb var LSTM bedre end DK-modellen til simulering af afstrømningsdynamik i selve vandløbene. Dog kom det neurale netværk i problemer i områder, hvor der ikke var målte data, og den altså var mere på egen hånd. Her leverede DK-modellen stadig bedre forudsigelser. En kobling af de to modellers ’viden’ gav dog et godt resultat.
”Vi brugte et princip, der kaldes ”prætræning”, som betyder, at LSTM-modellen blev fodret med viden om afstrømning fra en fysisk model (DK-modellen), inden LSTM-modellen blev trænet imod de ægte afstrømningsmålinger. Det viste sig, at denne anvendte to-trins træning samlet set gav en robust simulering af både dynamik og vandbalance i vandløbene,” forklarer Julian Koch. Se eksempel nedenfor.
Julian Koch tilføjer, at hvis den samlede danske ekspertise på området samarbejder om udviklingen af dette felt, kan det anvendes mange steder. Også udenfor Danmarks grænser.
”Et hydrologisk varslingssystem baseret på LSTM og big data er noget, som mange lande er interesserede i lige nu.”
Figur 1: To eksempler på modellering af afstrømning i vandløb i to forskellige oplande, et stort (øverst) og et lille (nederst), som sammenligner resultater fra DK-modellen, LSTM med og uden præ-træning med de faktiske, observerede afstrømning. LSMT klarede sig mindre godt i små oplande (nederst), som er mere følsomme for udsving, men her gjorde præ-træningen estimaterne væsentligt bedre. (Koch, J., & Schneider, R. (2022)
Figur 2: Kortet viser de 301 oplande brugt i studiet. 20%, som svar til 60 oplande, er ikke brugt til at træne LSTM-modellen og kan anvendes som uafhængig evaluering. (Koch, J., & Schneider, R. (2022)