หลังจากระดับน้ำในทะเลสาบมิชิแกนทำสถิติต่ำสุดนับตั้งแต่เริ่มมีการสังเกตการณ์ในเดือนมกราคม 2013 ในฤดูร้อนปี 2020 ก็ทำลายสถิติในทิศทางตรงกันข้าม จนเกิดน้ำท่วม การกัดเซาะชายฝั่ง และการปิดถนนริมทะเลสาบ ระดับน้ำระหว่างสถิติทั้งสองครั้งต่างกันเกือบ 2 เมตร บทความรายงานว่า การพลิกผันลักษณะคล้ายกันนี้เกิดขึ้นในทะเลสาบซูพีเรีย อีรี และออนแทรีโอ โดยห่างกันเพียงไม่กี่เดือน เพื่อพยากรณ์ระดับน้ำที่เปลี่ยนแปลงอย่างมากเช่นนี้และอธิบายสาเหตุ นักวิจัยจึงใช้แบบจำลองปัญญาประดิษฐ์ (AI) ในการวิเคราะห์

ที่มาและบริบท

ระดับน้ำในทะเลสาบได้รับอิทธิพลไม่เพียงจากฝน หิมะ การระเหย น้ำไหลเข้าและน้ำไหลออกเท่านั้น แต่ยังได้รับอิทธิพลจากการตัดสินใจของมนุษย์ด้วย ระดับน้ำเกี่ยวข้องกับความลึกของท่าเรือ เสถียรภาพของแนวชายฝั่ง การสูบน้ำดื่ม และการดำรงอยู่ของพื้นที่ชุ่มน้ำชายฝั่ง ดังนั้น การที่แบบจำลองไม่เพียงพยากรณ์ระดับน้ำได้ แต่ยังอธิบายได้ว่าปัจจัยใดขับเคลื่อนการเปลี่ยนแปลง อาจมีความสำคัญต่อการจัดการเขื่อนหรือความเสี่ยงจากน้ำท่วม

นักวิจัยฝึกอัลกอริทึม 8 แบบด้วยข้อมูลระดับน้ำรายเดือนของทะเลสาบซูพีเรีย มิชิแกน อีรี และออนแทรีโอ ในช่วงปี 1982~2022 อัลกอริทึมแต่ละแบบรับตัวแปร 9 รายการ ซึ่งรวมถึงอุณหภูมิและปริมาณน้ำไหลเข้า อีกทั้งพิจารณาค่าของแต่ละตัวแปรในเดือนนั้นและย้อนหลังไปได้สูงสุด 6 เดือน วิธีนี้เปิดโอกาสให้แบบจำลองตรวจสอบความสัมพันธ์ระหว่างระดับน้ำในเดือนมิถุนายนกับหิมะในเดือนมกราคม เป็นต้น

อัลกอริทึม 4 แบบที่ทำผลงานได้ดีที่สุดมีค่าคลาดเคลื่อนลดลงเหลือประมาณ 12 ซม. ส่วนแบบจำลองอย่างง่ายมีค่าคลาดเคลื่อน 14~21 ซม. นักวิจัยใช้ทั้ง SHAP (วิธีแจกแจงว่าตัวแปรแต่ละตัวมีส่วนต่อผลการพยากรณ์มากเพียงใด) ซึ่งพิจารณาสัดส่วนการมีส่วนร่วมของตัวแปรแต่ละรายการ และการวิเคราะห์ VARS ซึ่งศึกษาว่าเมื่อเข้าไปแทรกแซงตัวแปรแล้ว อิทธิพลของตัวแปรเปลี่ยนแปลงไปตามเวลาอย่างไร

SHAP แสดงให้เห็นว่าตัวแปรแต่ละรายการมีส่วนต่อการเพิ่มขึ้นหรือลดลงของระดับน้ำในเดือนหนึ่ง ๆ มากน้อยเพียงใด แต่ไม่ได้บอกว่าต้องใช้เวลานานเท่าใดกว่าสัญญาณจะเคลื่อนผ่านลุ่มน้ำ (พื้นที่ที่น้ำไหลมารวมกัน) นักวิจัยใช้การวิเคราะห์ VARS ตรวจสอบอิทธิพล ณ ช่วงหนึ่งเดือนและ 6 เดือนหลังจากเข้าไปแทรกแซงตัวแปร เพื่อวิเคราะห์ความล่าช้าของผลกระทบ

ความหมายของข่าวนี้

นักวิจัยคาดว่าอิทธิพลของตัวแปรที่มีต่อระดับน้ำจะอ่อนลงเมื่อย้อนกลับไปดูข้อมูลในอดีต แต่ในความเป็นจริงกลับพบว่าอิทธิพลเพิ่มขึ้นหลังผ่านไป 3~4 เดือน ข้อสรุปของนักวิจัยคือ ทะเลสาบเหล่านี้ตอบสนองต่อสภาพการณ์ในฤดูกาลก่อน มากกว่าสภาพอากาศของวันก่อนหน้า คำอธิบายที่ว่า หิมะในเดือนมกราคมอาจส่งผลต่อระดับน้ำในเดือนมิถุนายน แสดงให้เห็นเหตุผลที่การพยากรณ์ตามฤดูกาลควรพิจารณาสภาพการณ์เมื่อหลายเดือนก่อนด้วย

ผลการศึกษานี้น่าสนใจเพราะแสดงให้เห็นว่าไม่อาจอธิบายระดับน้ำในทะเลสาบได้ด้วยสภาพอากาศระยะสั้นเพียงอย่างเดียว หากแบบจำลองพยากรณ์ตามฤดูกาลพิจารณาตัวแปรต่าง ๆ เช่น อุณหภูมิและปริมาณน้ำไหลเข้าในช่วงหลายเดือนก่อนร่วมด้วย ก็อาจจับสัญญาณของการเปลี่ยนแปลงระดับน้ำได้ดียิ่งขึ้น อย่างไรก็ตาม จากตัวเลขค่าคลาดเคลื่อนในการศึกษานี้เพียงอย่างเดียว ยังไม่อาจทราบได้ว่าการพยากรณ์มีประโยชน์ต่อการใช้งานจริงมากเพียงใด หรือจะทำให้ผลลัพธ์ด้านการจัดการน้ำท่วมหรือเขื่อนเปลี่ยนแปลงไปมากน้อยแค่ไหน

ทะเลสาบออนแทรีโอยังเผยให้เห็นข้อจำกัดของแบบจำลองด้วย ค่าคลาดเคลื่อนของแบบจำลองสำหรับทะเลสาบแห่งนี้สูงกว่าที่คาดไว้มากกว่า 50% และบทความเชื่อมโยงเรื่องนี้กับการตัดสินใจของมนุษย์ เขื่อนไฟฟ้าพลังน้ำโมเสส-ซอนเดอร์สใกล้เมืองคอร์นวอลล์ รัฐออนแทรีโอ จัดการระดับน้ำตามกฎการเดินเครื่องที่ปรับเปลี่ยนรายวัน แต่เนื่องจากแบบจำลองใช้ค่าเฉลี่ยรายเดือนของแต่ละตัวแปร ลำดับการตัดสินใจที่ทำให้เกิดปริมาณน้ำไหลออกในแต่ละเดือนจึงอาจเลือนหายไปในค่าเฉลี่ย

ข้อเสนอของนักวิจัยจากกรณีทะเลสาบออนแทรีโอคือ ควรป้อนกฎการเดินเครื่องที่ใช้จัดการระดับน้ำเข้าสู่แบบจำลอง แยกต่างหากจากตัวแปรภูมิอากาศ นี่เป็นข้อเสนอสำหรับปัญหาการตัดสินใจของมนุษย์ในทะเลสาบแห่งนี้ และไม่ควรขยายความไปว่า การพยากรณ์ตามฤดูกาลทุกกรณีจำเป็นต้องมีเงื่อนไขแบบเดียวกัน

นักวิจัยระบุว่า กำลังประยุกต์ใช้แนวทางนี้ร่วมกับ Ouranos ในการศึกษาการเติมน้ำใต้ดินทางตอนใต้ของรัฐควิเบก งานดังกล่าวใช้แบบจำลองที่อิงหลักฟิสิกส์ (แบบจำลองที่สะท้อนกลไกทางกายภาพของปรากฏการณ์ธรรมชาติ) สิ่งที่การศึกษานี้ชี้ให้เห็นคือ ในปัญหาสิ่งแวดล้อมที่ซับซ้อน เช่น ระดับน้ำ แบบจำลองที่ช่วยตรวจสอบเหตุผลเบื้องหลังผลลัพธ์ได้ อาจช่วยทบทวนและหารือเกี่ยวกับการตัดสินใจด้านการจัดการ

ข้อเท็จจริงที่ยืนยันแล้วและสิ่งที่ยังไม่ทราบ

ข้อเท็จจริงที่ยืนยันแล้ว

  • นักวิจัยฝึกอัลกอริทึม 8 แบบด้วยข้อมูลระดับน้ำรายเดือนของทะเลสาบ 4 แห่งในช่วงปี 1982~2022
  • อัลกอริทึมแต่ละแบบพิจารณาตัวแปร 9 รายการ ซึ่งรวมถึงอุณหภูมิและปริมาณน้ำไหลเข้า ตลอดจนค่าตั้งแต่เดือนนั้นย้อนหลังไปได้สูงสุด 6 เดือน
  • อัลกอริทึม 4 แบบที่ทำผลงานได้ดีที่สุดมีค่าคลาดเคลื่อนประมาณ 12 ซม. ส่วนแบบจำลองอย่างง่ายมีค่าคลาดเคลื่อน 14~21 ซม.
  • นักวิจัยพบว่าอิทธิพลของตัวแปรเพิ่มขึ้นหลังผ่านไป 3~4 เดือน ซึ่งตรงกันข้ามกับที่คาดว่าอิทธิพลจะอ่อนลงเมื่อย้อนกลับไปดูข้อมูลในอดีต
  • ระดับน้ำในทะเลสาบออนแทรีโอได้รับการจัดการตามกฎการเดินเครื่องรายวันของเขื่อนไฟฟ้าพลังน้ำโมเสส-ซอนเดอร์ส และนักวิจัยเสนอว่าควรป้อนกฎนี้เข้าสู่แบบจำลอง

สิ่งที่ยังไม่ทราบ

  • อัลกอริทึมทั้ง 8 แบบและตัวแปรทั้ง 9 รายการที่ใช้ในการศึกษามีอะไรบ้าง?
  • ประเมินความแม่นยำของแบบจำลองด้วยวิธีตรวจสอบแบบใด และใช้ช่วงเวลาพยากรณ์เท่าใดเป็นเกณฑ์?
  • หากรวมกฎการเดินเครื่องของทะเลสาบออนแทรีโอไว้ในแบบจำลอง ค่าคลาดเคลื่อนในการพยากรณ์จะลดลงมากเพียงใด?

สิ่งที่ผู้อ่านควรตรวจสอบ

  • เมื่อพิจารณาผลการพยากรณ์ระดับน้ำ ควรตรวจสอบทั้งตัวเลขความแม่นยำ ระยะเวลาพยากรณ์ และวิธีตรวจสอบด้วย บทความต้นฉบับครั้งนี้ไม่ได้ระบุเกณฑ์โดยละเอียดดังกล่าว
  • หากนำการพยากรณ์ด้วย AI ไปใช้กับการจัดการน้ำท่วมหรือการเดินเครื่องเขื่อน ควรตรวจสอบว่าข้อมูลนำเข้ามีเพียงค่าเฉลี่ยรายเดือนของภูมิอากาศและปริมาณน้ำไหลออก หรือได้รวมกฎการเดินเครื่องจริงและกระบวนการตัดสินใจไว้ด้วย
  • เมื่อตีความแนวโน้มระดับน้ำตามฤดูกาล ควรตรวจสอบด้วยว่าการวิเคราะห์รวมเฉพาะสภาพอากาศในเดือนนั้น หรือรวมสภาพการณ์เมื่อหลายเดือนก่อนด้วย นักวิจัยสรุปว่าเงื่อนไขในฤดูกาลก่อนอาจส่งผลต่อระดับน้ำ