Automatisierte cloudbasierte Vorhersage des Schneewasseräquivalents mit einem Long Short-Term Memory Neural Network

Schnee abgeleitetes Wasser ist eine kritische Komponente für einen großen Teil der Wasserversorgung in den USA. Messungen des Schneewasseräquivalents (SWE) und damit verbundene Vorhersagen des maximalen SWE und des Beginns der Schneeschmelze sind wesentliche Eingaben für Wasserbewirtschaftungsmaßnahmen. Dieses Papier zielt darauf ab, einen datengestützten Ansatz zur Schätzung und Vorhersage der SWE-Dynamik unter Verwendung der Long Short-Term Memory (LSTM) Methode zu entwickeln. Unser Ansatz nutzt historische Datensätze (Niederschlag, Lufttemperatur, SWE und Schneedicke), die an NRCS Snow Telemetry (SNOTEL) Stationen gesammelt wurden, um das LSTM-Netzwerk zu trainieren, und aktuelle Jahresdaten, um das Verhalten von SWE vorherzusagen. Die Leistung unserer Vorhersagen wurde für verschiedene Vorhersagedaten und Trainingsdatensätze verglichen. Unsere Ergebnisse deuten darauf hin, dass das vorgeschlagene LSTM-Netzwerk ein effizientes Werkzeug zur Prognose der SWE-Zeitreihe sowie des maximalen SWE und der Timing der Schneeschmelze sein kann. Die Ergebnisse zeigten, dass die Fenstergröße die Modellleistung beeinflusst (wobei die Nash Sutcliffe Effizienz (NSE) von 0,96 bis 0,85 reichte und der Root Mean Square Error (RMSE) von 0,038 bis 0,07 variierte) mit einer optimalen Anzahl, die für verschiedene Stationen und Klimabedingungen kalibriert werden sollte. Durch die Implementierung der LSTM-Vorhersagefähigkeit in einer cloudbasierten Standortüberwachungsplattform automatisieren wir die Modell-Daten-Integration. Durch den Zugang zu den Daten über eine grafische Weboberfläche und eine zugrunde liegende API, die sowohl Trainings- als auch Vorhersagefähigkeiten bereitstellt, können die damit verbundenen Ergebnisse einer breiten Palette von Interessengruppen leicht zugänglich gemacht werden.