人工智能可预测并解释五大湖水位变化

近期发表于《整体环境科学》的研究表明，可解释人工智能技术正成为预测与解析北美五大湖水位波动的关键工具。传统水文收支模型难以应对异常气候，而纯机器学习算法虽精度较高却缺乏业务解释力。研究团队整合1982至2022年四大湖长达40年的水位与气象数据，融合SHAP特征归因与VARS响应面变异分析技术，构建出兼具高准确度与逻辑透明度的预测框架。模型测试显示，预测误差降至约12厘米，显著优于传统基准。研究揭示湖泊水文具有显著的季节惯性，例如一月的积雪量可提前数月主导夏季水位变化。同时，算法精准识别出安大略湖因摩西斯-桑德斯大坝人为调度导致的预测偏差，证实将工程操作规则植入数据流是提升精度的必要条件。目前该分析框架已延伸至加拿大魁北克省地下水补给研究。业内专家指出，具备可验证性、可辩论性的AI模型，是突破复杂气候变量解释局限、合法介入水资源管理与防洪规划的核心前提，为应对极端水文事件提供了坚实的科学决策依据。