AI如何帮助预测和解释五大湖水位

这项研究已发表在《Science of the Total Environment》期刊上，分析了五大湖40年的水位波动数据。研究的目标不只是预测水位，还要用人工智能解释水位变化的原因。

研究者用1982年至2022年苏必利尔湖、密歇根湖、伊利湖和安大略湖的月度水位训练了八种算法。每种算法纳入九个变量，包括气温和入流速率，并分别提供当月及提前一至六个月的数值。

表现最好的四种算法误差降至约十几厘米，而最简单的模型误差为14至21（厘米）。

研究用源自博弈论的SHAP值方法让模型解释各变量对某月水位升降的贡献。但SHAP不提供信号穿越流域所需时间的信息，因此研究者补充了VARS（响应面变差函数分析）技术。

VARS通过扰动模型来测量影响及其时间滞后，例如模拟早春融雪增加径流，然后测量这一扰动在一个月后、六个月后的影响。SHAP与VARS结合，识别出控制水位的变量及其时间滞后。

研究最显著的发现是变量影响并未随时间衰减，反而在三四个月后增强。研究者原本预期影响会像河流中的暴雨一样随时间淡去，但结果相反。

由此得出的结论是：湖泊对上一季节的天气而非昨日天气作出反应。这些湖泊具有显著惯性，这对季节性预报是好消息——决定明年夏天水位的一部分因素，已经以雪的形式落下了。

四个湖泊特性不同：苏必利尔湖和密歇根湖是受融雪补给的大型缓变流域，水位取决于径流与出流；伊利湖较浅，依赖底特律河上游入流；安大略湖则受蒸发显著影响。

用同样的方法和同样的变量，研究者得到了四个不同的结果，对应这些特性差异。

安大略湖的表现最差，误差比预期高出50%以上，原因是其水位受人类决策调控。其水位在康沃尔附近的Moses-Saunders Power Dam按逐日调整的运行规则进行调控。

由于模型中每个变量被汇总为单个月度值，水坝出流虽纳入数据，但产生该出流的人类决策序列在平均计算中丢失。当为保护下游居民而释放更多水量——即使气候条件并不要求——模型观察到水位下降，却无法在变量中找到可识别的原因，于是学习效果差、错误更多。

研究者提出的解决办法是把这些运行规则像雨雪数据一样提供给模型，使算法不再基于错误数据作决策。

研究者正与魁北克区域气候与气候变化适应联盟Ouranos合作，把该方法用于魁北克南部的地下水补给研究，此次采用基于物理的模型。

作者称其贡献属于例外，因为环境应用中的大多数AI模型无法自我解释，而这是管理水坝或保护饮用水源工具不可妥协的要求。可解释的模型才能被验证、讨论和质疑，这是AI成为水资源管理合法工具的前提。