Datele satelitare dezvăluie limitele modelelor fluviale globale
Un nou studiu condus de Colin Gleason, hidrolog la Colegiul de Inginerie Riccio din cadrul Universității din Massachusetts Amherst, utilizează datele furnizate de satelitul Surface Water and Ocean Topography (SWOT), lansat de NASA, pentru a evalua acuratețea modelelor computerizate bazate pe învățare automată folosite pentru estimarea debitelor râurilor la nivel global.
Cercetarea, publicată în Geophysical Research Letters, identifică zonele în care modelele de ultimă generație oferă estimări corecte și zonele în care acestea eșuează. Potrivit autorului principal, acolo unde modelele greșesc, se compromit și predicțiile privind schimbările climatice și prognozele pentru irigații.
Râurile atipice sunt norma, nu excepția
Studiul arată că cele mai dificile râuri de modelat sunt cele barate, cele situate în climate aride — în special în zonele dens populate — și râurile arctice. Deși mai puțin de 10% dintre sectoarele fluviale analizate prezintă erori grave, acestea se numără printre cele mai sensibile și mai importante din punct de vedere al resurselor de apă.
Prin comparație, modelele reușesc să estimeze cu precizie râurile „normale” — fără alimentare glaciară, cu un singur canal, fără estuare și fără baraje. Totuși, conform cercetătorilor, doar 11% dintre râurile de pe Glob corespund acestei definiții. „Un râu atipic este norma. Un râu barat este norma. Un râu cu canale multiple și o configurație complicată este norma, nu excepția”, a declarat Gleason.
Barajele și lipsa datelor complică predicțiile
Deși acuratețea modelării râurilor barate era o problemă cunoscută, studiul demonstrează pentru prima dată amploarea acestei provocări. Gleason exemplifică dificultatea folosind râul Connecticut, care include un rezervor hidroenergetic cu acumulare prin pompare ce poate modifica nivelul apei cu peste un metru pe zi, dincolo de fluctuațiile ciclului natural.
Pentru a prezice corect volumul de apă al râului Connecticut, un model ar trebui să țină cont de existența centralei de pompare, de prețul energiei electrice și de pragul de cost folosit în planul de operare al companiei electrice.
Modelele întâmpină dificultăți și în zonele aride din Australia, Asia Centrală, sud-vestul Statelor Unite și Mexic. Cercetătorii sugerează că acest lucru se datorează dependenței de apele subterane, care influențează râurile în moduri mai puțin evidente și cu un răspuns întârziat la pomparea apei.
Regiunile arctice sunt, de asemenea, slab modelate, în principal din cauza lipsei seturilor de date necesare pentru antrenarea modelelor de învățare automată. Gleason menționează Islanda ca exemplu: are o altitudine mai mare decât restul Arcticului, un curent oceanic, activitate geologică intensă, zăpadă și gheață, dar date puține. „Dacă ești un model de învățare automată, te întrebi: ce alte locuri de pe planetă seamănă cu Islanda și de la care pot învăța? Doar părți din Noua Zeelandă. Cam atât”, a explicat el.
Măsurătorile directe, o alternativă la modelele nesigure
Autorii consideră că studiul indică zonele în care cercetătorii trebuie să își concentreze atenția și oferă justificarea pentru înlocuirea modelelor cu datele SWOT în anumite situații.
„În multe privințe, ne gândim la SWOT ca la un microscop timpuriu”, a spus Gleason. „Vrem să revenim la acel mod de a gândi râurile: să le măsurăm mai întâi și să avem încredere în măsurători, mai degrabă decât în modele.”
