[미국] 말주립대, AI 처리로 물 공급 예측 개선

미 경찰 지역, 822개 눈에 띄는 소서 측정한 가치로 물 공급량 예측

무력소 측정값을 활용하여… 기계학습 모델로 개선

2012년 4월 알래스카 코르도바 해안 마을 위에 위치한 이약스노텔 산(Mt. Eyak SNOTEL) 전경. 눈은 약 10.5피트, 45%다. [사진제공(사진출처) = 미농무부 천연자원보존국(USDA Natural Resources Conservation Service)의 다니엘 피셔(Daniel Fisher)]

모델은 개선된 인공 지능(AI) 프로세스를 활용하여 광활한 미국 지역의 새로운 눈 및 물가용보다 올림픽 측정을 하며, 이 정보는 농업 등의 분야에서 컴퓨터 물가용성을 예비하는 것을 환영할 수 있습니다.

말로 표현하기 대학교(워싱턴 주립 대학교) 지역으로 배열하여 학제간 그룹은 적설량으로 측정하지 않고, 물가용성을 예측하는 연구를 AAAI 인공 지능 회의(AAAI Conference on Artificial Intelligence) 회보에 말했다.

이는 300개 이상의 눈 측정소에서 측정한 결과와 비교한 결과, 해당 모델이 기계 학습과 관련하여 AI 프레임을 사용하는 모델보다 성능이 더 잘 작동하는 것입니다. 이전 모델은 소수의 장소에서 다른 시점의 데이터를 수집하면서 시간 관련 측정에만 집중했다면, 개선은 모델 시간과 공간을 훨씬 더 크게 하는 것보다 예측 가능합니다.

이번 연구를 이끈 것으로 간주합니다 대 컴퓨터과학과 대학원생인 크리슈 타파(Krishu Thapa)는 “모든 물 한 방울이 관개, 수력 발전, 식수 및 환경적 요구에 적합하기 때문에 이 정보는 전역의 수자원 계획자에게 매우 중요하다"고 말했다.

매년 봄에 전역의 물 관리 협회 산에서는 쌓인 눈의 양에 따라 물을 사용하는 방법을 결정합니다.

이 연구의 공동저자이자 워싱턴 주립대 생물 시스템 공학과 교수인 키르티 라자고팔란(Kirti Rajagopalan)은 "이는 미 서부 지역에서 지속되는 우리의 삶의 방식과 깊은 관련이 있는 문제"라며 “눈은 하천 흐름의 절반 이상이 녹은 눈에서 발생하는 지역에서 핵심적인 역할을 한다. 눈이 어떻게 형성되고, 어떻게 변화하며, 공간적으로 어떻게 변화하는지에 대한 역학을 이해하는 것은 모든 결정에 있어 매우 중요하다”고 설명했다.

미 서부 전역에는 822개의 눈 관측소가 있어 각 현장의 잠재적 물가용성에 대한 일일 정보를 제공하고 있는데, 이를 SWE(눈이 녹아 생긴 물의 양)이라고 한다. 관측소는 또한 눈의 깊이, 온도, 강수량 및 상대 습도에 대한 정보도 제공한다.

그러나 관측소는 약 1천500평방마일마다 한 개씩 드물게 분포돼 있다. 관측소에서 조금만 떨어져도 해당 지역의 지형 등에 따라 SWE가 크게 달라질 수 있다.

이 연구의 공동저자이자 워싱턴 주립대 생물 시스템 공학과 대학원생인 부핀더지트 싱(Bhupinderjeet Singh)은 “의사 결정자는 근처에 있는 몇 개의 관측소의 측정값 보고 이를 기반으로 결정을 내린다. 하지만 눈이 어떻게 녹는지, 다른 지형이나 다른 특징이 그 사이에서 어떤 역할을 하는지에 대해 고려하지 않으며, 이는 물공급량을 과잉 혹은 과소 예측하게 만든다”며 "이러한 기계학습 모델을 사용해 더 나은 방법으로 예측하려고 노력하고 있다"고 설명했다.

연구진은 SWE 예측을 위한 모델링 프레임워크를 개발하고, 이를 조정해 관측소 유무에 관계없이 모든 위치에 대한 일일 SWE를 예측하는 것을 목표로 공간과 시간에 대한 정보를 수집했다. 이전 기계학습 모델은 하나의 시간적 변수에만 초점 맞춰 여러 날 동한 한 장소에 대한 데이터를 수집하고 해당 데이터를 사용해 다른 날에 대해 예측했다.

타파 대학원생은 "새로운 기술을 사용함으로써 공간적 및 시간적 모델을 모두 사용해 결정을 내리고, 추가 정보를 사용해 SWE 값에 대한 실제 예측을 만들고 있다"며 "관측소가 없는 지점에서 SWE의 값을 예측할 수 있다"고 설명했다.

이 작업은 아직 결정을 직접 알리는 데 사용되지는 않지만 미래 예측을 돕고 하천 흐름 예측 모델의 입력을 개선하는 단계라고 라자고팔란 교수는 말했다. 연구진은 모델을 확장해 공간적으로 완전하게 만들고 궁극적으로 실제 예측 모델로 만들기 위해 노력할 것이다. 이 작업은 인력 및 의사결정 지원을 위한 AI 연구소(AgAID Institute for Transforming Workfor and Decision Support)를 통해 수행됐으며, 미국 농무부(USDA) 국립 식량 농업 연구소의 지원을 받았다.

[원문보기]

Improved AI process could better predict water supplies

A new computer model uses a better artificial intelligence process to measure snow and water availability more accurately across vast distances in the West, information that could someday be used to better predict water availability for farmers and others.

Publishing in the Proceedings of the AAAI Conference on Artificial Intelligence, the interdisciplinary group of Washington State University researchers predict water availability from areas in the West where snow amounts aren’t being physically measured.

Comparing their results to measurements from more than 300 snow measuring stations in the Western U.S., they showed that their model outperformed other models that use the AI process known as machine learning. Previous models focused on time-related measures, taking data at different time points from only a few locations. The improved model uses both time and space into account, resulting in more accurate predictions.  

The information is critically important for water planners throughout the West because “every drop of water” is appropriated for irrigation, hydropower, drinking water, and environmental needs, said Krishu Thapa, a Washington State University computer science graduate student who led the study.

Water management agencies throughout the West every spring make decisions on how to use water based on how much snow is in the mountains.

“이것은 미국 서부의 이 지역에서 계속되는 우리의 삶의 방식과 깊은 관련이 있는 문제입니다.”라고 공동 저자이자 WSU 생물 시스템 공학과 교수인 Kirti Rajagopalan이 말했습니다. “하천 흐름의 절반 이상이 눈이 녹은 지역에서는 눈이 핵심입니다. 그것이 어떻게 형성되고, 어떻게 변화하며, 공간적으로 어떻게 변화하는지에 대한 역학을 이해하는 것은 모든 결정에 있어 정말 중요합니다.”

미국 서부 전역에는 눈-물 등가물(SWE)이라고 하는 측정값인 각 현장의 잠재적인 물 가용성에 대한 일일 정보를 제공하는 822개의 눈 측정소가 있습니다. 또한 관측소는 눈 깊이, 온도, 강수량 및 상대 습도에 대한 정보도 제공합니다.

그러나 관측소는 약 1,500평방마일마다 한 개씩 드물게 분포되어 있습니다. 역에서 짧은 거리라도 SWE는 해당 지역의 지형과 같은 요인에 따라 크게 바뀔 수 있습니다.

“의사 결정자는 근처에 있는 몇 개의 관측소를 보고 이를 기반으로 결정을 내립니다. 하지만 눈이 어떻게 녹는지, 그 사이에 다른 지형이나 다른 지형이 어떤 역할을 하는지는 고려되지 않으며 이는 다음과 같은 결과로 이어질 수 있습니다. 물 공급을 과도하게 예측하거나 과소 예측하는 것”이라고 공동 저자이자 WSU 생물 시스템 공학 대학원생인 Bhupinderjeet Singh이 말했습니다. "이러한 기계 학습 모델을 사용하여 더 나은 방법으로 예측하려고 노력하고 있습니다."

연구원들은 SWE 예측을 위한 모델링 프레임워크를 개발하고 이를 조정하여 관측소 유무에 관계없이 모든 위치에 대한 일일 SWE를 예측하는 것을 목표로 공간과 시간의 정보를 캡처했습니다. 이전의 기계 학습 모델은 하나의 시간적 변수에만 집중하여 여러 날 동안 한 위치에 대한 데이터를 수집하고 해당 데이터를 사용하여 다른 날에 대한 예측을 할 수 있었습니다.

Thapa는 "새로운 기술을 사용하여 공간적 및 시간적 모델을 모두 사용하여 결정을 내리고 추가 정보를 사용하여 SWE 값에 대한 실제 예측을 만들고 있습니다."라고 말했습니다. "우리 작업을 통해 우리는 물리적으로 희박한 스테이션 네트워크를 스테이션이 없는 포인트에서 SWE의 가치를 예측할 수 있는 밀집된 포인트로 변환하려고 노력하고 있습니다."

이 작업은 아직 결정을 직접 알리는 데 사용되지는 않지만 미래 예측을 돕고 하천 흐름 예측 모델의 입력을 개선하는 단계라고 Rajagopalan은 말했습니다. 연구자들은 모델을 확장하여 공간적으로 완전하게 만들고 궁극적으로 실제 예측 모델로 만들기 위해 노력할 것입니다. 이 작업은 인력 및 의사결정 지원을 위한 AI 연구소(AgAID 연구소)를 통해 수행되었으며 USDA 산하 국립식량농업연구소의 지원을 받았습니다.

[출처 = 그랬어요 (워싱턴 주립대학교) ( https://news.wsu.edu/press-release/2024/05/01/improved-ai-process-could-better-predict-water-supplies/ ) / 2024년 5월 1일]