Недавно разработанный инструмент с искусственным интеллектом впервые позволяет прогнозировать качество воды по всей территории США, используя модифицированную версию федеральной модели National Water Model, ранее применявшейся исключительно для оценки потоков воды.
Цель разработки – помочь сообществам своевременно выявлять угрозы для водоснабжения, задействовав потоковую модель и интегрировав данные сенсоров в режиме реального времени для оценки таких показателей, как мутность воды.
«Андрю Шрот из Университета Вермонта отметил: «Этот новый инструмент может быть внедрён по всей стране и широко использоваться теми, кому необходимы прогнозы качества воды для различных применений»,» – подчеркивает ведущий исследователь. Он добавил: «С первым в истории применением модели National Water Model для прогнозирования качества воды мы открыли новое окно, которое действительно принесёт пользу всему обществу».
Доктор Джон Кемпер из Университета штата Юта добавил: «Преобразование инструмента для прогнозирования стока в систему прогнозирования качества воды прокладывает путь для всё более широкого доступа к точным прогнозам, удовлетворяющим потребности сообществ». В работе также принимали участие доктор Кристен Андервуд из UVM и геолог Дэни Дэвис из Департамента окружающей среды Нью-Йорка.
Тестированием системы послужил водосбор Esopus Creek в горах Кэтскилл штата Нью-Йорк, где река стекает в водохранилище Эшокан, снабжающее около 40% ежедневного питьевого водоснабжения Нью-Йорка, являясь частью крупнейшей нефильтрационной системы водоподготовки в стране.
Основной задачей модели является прогнозирование мутности – ключевого показателя, обусловленного наличием взвешенных частиц, таких как глины, илы и пески, которые интенсивно выбрасываются в воду после штормов и эрозионных процессов, вынуждая службы Нью-Йорка ограничивать приток воды и корректировать операционные мероприятия.
Интеграция данных модели National Water Model, симулирующей наблюдаемые и прогнозируемые потоки по всей стране, с информацией, получаемой от сенсоров в реальном времени, позволяет алгоритмам искусственного интеллекта выявлять взаимосвязь между потоком воды и концентрацией взвешенных веществ, создавая возможность прогнозировать не только мутность, но и другие составляющие качества воды, такие как фосфор, азот, нитраты и хлорид.
Полученные результаты демонстрируют потенциал инструмента для национального и международного применения – от управления работой водоочистных сооружений до предупреждения о цветениях водорослей и оптимизации систем орошения в сельском хозяйстве, что подтверждено публикацией в Journal of the American Water Resources Association при участии учёных USGS и CIROH.
Изображение носит иллюстративный характер
Цель разработки – помочь сообществам своевременно выявлять угрозы для водоснабжения, задействовав потоковую модель и интегрировав данные сенсоров в режиме реального времени для оценки таких показателей, как мутность воды.
«Андрю Шрот из Университета Вермонта отметил: «Этот новый инструмент может быть внедрён по всей стране и широко использоваться теми, кому необходимы прогнозы качества воды для различных применений»,» – подчеркивает ведущий исследователь. Он добавил: «С первым в истории применением модели National Water Model для прогнозирования качества воды мы открыли новое окно, которое действительно принесёт пользу всему обществу».
Доктор Джон Кемпер из Университета штата Юта добавил: «Преобразование инструмента для прогнозирования стока в систему прогнозирования качества воды прокладывает путь для всё более широкого доступа к точным прогнозам, удовлетворяющим потребности сообществ». В работе также принимали участие доктор Кристен Андервуд из UVM и геолог Дэни Дэвис из Департамента окружающей среды Нью-Йорка.
Тестированием системы послужил водосбор Esopus Creek в горах Кэтскилл штата Нью-Йорк, где река стекает в водохранилище Эшокан, снабжающее около 40% ежедневного питьевого водоснабжения Нью-Йорка, являясь частью крупнейшей нефильтрационной системы водоподготовки в стране.
Основной задачей модели является прогнозирование мутности – ключевого показателя, обусловленного наличием взвешенных частиц, таких как глины, илы и пески, которые интенсивно выбрасываются в воду после штормов и эрозионных процессов, вынуждая службы Нью-Йорка ограничивать приток воды и корректировать операционные мероприятия.
Интеграция данных модели National Water Model, симулирующей наблюдаемые и прогнозируемые потоки по всей стране, с информацией, получаемой от сенсоров в реальном времени, позволяет алгоритмам искусственного интеллекта выявлять взаимосвязь между потоком воды и концентрацией взвешенных веществ, создавая возможность прогнозировать не только мутность, но и другие составляющие качества воды, такие как фосфор, азот, нитраты и хлорид.
Полученные результаты демонстрируют потенциал инструмента для национального и международного применения – от управления работой водоочистных сооружений до предупреждения о цветениях водорослей и оптимизации систем орошения в сельском хозяйстве, что подтверждено публикацией в Journal of the American Water Resources Association при участии учёных USGS и CIROH.
