使用深度学习框架预测印度的水库水资源可用性

使用深度学习框架预测印度的水库水供应 萨曼莎·库尔玛，卢卡斯·克鲁伊特温格，克里斯托弗·阿德恩，萨哈娜·古斯瓦米，安普里亚·戈雅尔，托马斯·李斯，丽莎·塔赫迈尔，萨马特·巴斯卡 摘要 CONTENTS 印度的电力部门主要由热力发电主导，全国一半以上的安装电力产能来自煤炭。这使其对水资源风险高度敏感，因为热力发电依赖于不间断的淡水供应以满足一系列运营需求。由于干旱导致的电力供应中断会对从工业到农业再到人类健康等各个用户产生连锁影响。 摘要. . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . 在水资源高度紧张的地区，及时获取对未来水量可用性的预测信息可以帮助决策者避免因水资源驱动的电力中断风险，并倡导长期、节水政策与管理。我们引入了一种名为贝叶斯长期短期记忆序列到序列到序列模型的深度学习框架，用于预测未来90天水库水位的每日预报。我们证明，仅使用全球气象数据，就可以创建高质量且及时的水库预报。在这项研究中，11个试点水库在短期内（1-14天）的预报系数决定分数平均达到了92%，长期（15-90天）预报则为56%。我们的方法不依赖特定的水库运行管理数据，相比传统的水文模型，仍能提供时间效率和成本效益较高的解决方案，并适用于包括电力生产、粮食安全、城市供水以及增强韧性在内的多种应用。该预报可用于识别干旱条件对供水构成的威胁，但不应用于监测人类干预或作为指导水库管理操作的工具。 . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .技术说明文档记录了出版物、交互应用或工具背后的研究或分析方法论。 . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .建议引用 ：库姆亚，S.，L. 克鲁伊特瓦根，C. 阿德尔内，S. 戈斯瓦米，A. 高伊尔，T. 莱斯，L. 塞尔希默，和S. 巴萨克。2023. “利用深度学习框架预测印度的蓄水池水资源可用性。” 技术笔记。华盛顿特区：世界资源研究所。在线访问：https://doi.org/10.46830/writn.21.00088. 1 介绍 截至2023年中，预计印度将成为世界上人口最多的国家（AP新闻2023）。同时，印度也是全球最水资源紧张的国家之一（Hofste等2019a）。印度占地球人口的18%，但仅拥有其淡水总量的4%（印度-WRIS 2021）。随着印度人口和经济的持续增长，其对有限水资源的竞争也将增加。严重的干旱加剧了水资源的压力，进而影响了水供应。自1998年至2017年间，干旱估计导致印度国内生产总值减少了2%-5%（联合国减灾署2021）。到本世纪末，由于气候变化，快速耗尽土壤水分的闪旱预计将增加七倍（Mishra等2021a）。 其对水资源日益增长的需求，加之气候变化导致的供应模式变化，对印度经济与人民的未来健康与福祉构成了严重的影响。干旱的一个经常被忽视的后果是由于供水不足而导致的电力中断风险。尽管能源行业仅占约3%1印度的水资源提取量（与农业至少为80%相比）（de Oliveira Bredariol等，2021年；FAO，2020），尽管如此，在水资源供应低时仍易遭受断供。水对于热能生产至关重要，包括冷却设备和清洁灰烬。印度当前的电力组合和发电主要由热力发电构成——煤炭占装机容量的50%，如图1所示，并对水资源稀缺、干旱和气候变化高度易感（CEA，2022）。印度热电密集型的电力生产量巨大，在2016年的干旱期间，高达14太瓦时的电力生成（足以供电斯里兰卡一年），由于冷却发电厂所需的水量不足而损失。这些停机也带来了高昂的成本，从2013年至2016年间，因销售潜力收入损失约14亿美元（Luo等，2018年）。此外，耗水量大的发电厂还会从重要粮食生产和城市、企业和家庭日常需求中抽取水资源。 如etal.（2018）所述的同一研究发现，在低碳情景下，如果优先考虑水资源密集型技术，如核能，取水量也可能会增加（Srinivasanetal.2018）。在这种情况下，电力部门将继续受到水资源可用性的限制。 获取并预测为供电行业供水的水库中当前及预测的水资源可用性，有助于揭示印度依赖水力发电所面临的长期问题，并防止因冷却水供应不足导致的严重电力中断事件。可靠且开源的水资源风险信息——尤其是基于政府自有数据的信息——能够促进在水资源压力情景下未来能源开发和现有发电厂运行的持续、基于证据的决策制定，同时推动在竞争激烈的用水场景中对水资源的社会权利发展。 印度已设定到2030年的国家自主贡献目标为非化石燃料为基础的电力安装容量达到50%，以遏制温室气体排放（PIB Delhi 2022）。此举必须与节水政策相结合——比如对老旧电厂进行改造，采用如干式冷却等新型冷却方法，或者关闭用水量大的电厂。一项研究发现，如果不对电力结构或用水方式进行改变，印度用于电力的水资源提取量到2050年可能从2010年的基准线增长九倍（Srinivasan）。 世界资源研究所（WRI）及其合作伙伴Vasudha基金会推出Water4Power（www.water4power.wri-india.org），这是一个旨在创建水能联系（水-能关系）决策所需信息的举措（WRI印度2020）。我们的试点项目为印度11个水库提供了近实时的潜在水资源短缺警报的公开访问。 2 方法 用于动力煤发电的水源。试点水库约占 20 ％2印度已安装的电力容量中来自煤炭的比例，并涵盖了从地理位置到规模在内的广泛设施。此外，尽管一些试点水库面临水压不足导致的断水问题，但并非所有试点水库都遭遇了此类情况。例如，接收巴尔吉水库水源的塞奥尼热电厂在2017年夏季因无法获取原水而关闭了32天（VPIH2023）。这些多样化的试点水库将帮助决策者在开始优先考虑从升级节水冷却技术到淘汰电厂的各项政策时，能够权衡多种因素。 2.1 基线模型 作为Water4Power倡议的一部分，我们旨在开发一种可适应的模型，该模型能够为未来90天生成每日水库水量预报。我们希望创建一个非预设模型，它可以在不同的地点和背景下应用，并且比传统水文模型更高效、成本更低。我们将这种模型称为基准模型，因为它包含了创建预报所需的基本要素。通过基准模型，我们展示了主要利用开源卫星产品的气象数据，可以生成高质量、可靠且接近实时的水库预报。我们有意使方法保持通用性——这意味着我们避免使用本地数据集，并限制输入的数量——以便它能轻松地适应试点研究区域之外的地区。同样重要的是，我们也选择了支持近实时生成预报的数据。正如我们在“数据服务”中描述的那样，基准模型可以根据特定站点和其他类型的信息（如本地天气数据）进行定制。 WRI 通过一个旨在征集预测储水池水位创新解决方案的黑客马拉松活动（见框1），找到了另一个研究合作伙伴H2Ox。我们共同引入了一种前沿方法，利用Bayesian 长短期记忆（BLSTM）神经网络预测长达90天内的每日储水可用性变化。 方框 1 | 黑客马拉松的成功故事 因此，我们的模型并未明确包含水库操作——对水库内可用水量有显著影响的人为干预。相反，模型通过分析水可用性、上下游水库流量以及与气候相关的指标来推断模式，以此生成预测结果。因此，基线模型可以作为一种工具用于警告利益相关者，当干旱条件威胁到供水时；但它不能用于提醒或告知可能影响供应的即将进行的水库操作。 2021 年 ， WRI 、微软和贝莱德举办了 Wave2Web 黑客马拉松。a我们邀请了来自世界各地的学生团队、专业人士和初创公司来开发一个基于机器学习的模型，用于预测为班加罗尔供水的水库的水位。在提交提案的26支队伍中，本文的合著者所在的H2Ox团队凭借其复杂模型和仪表板赢得了黑客马拉松竞赛（https://www.h2ox.org/）。b在黑客马拉松之后，WRI和H2Ox共同展望将他们赢得的序列到序列长期短期记忆（LSTM）模型投入生产。我们的工作成果体现在了这篇论文中，推出了Water4Power仪表板。此外，我们还发布了一篇研究论文，评估了不同模型结构对性能的影响。c在这篇论文中，研究涵盖了印度的66个储层（包括黑客马拉松中的原始储层），并为对机器学习科学感兴趣的人员提供了配套资料。 Overview 基线模型的目标是在未来90天内创建一个透明、及时的日用水量预测，以在发生水资源短缺之前警告相关方。我们的试点项目重点关注印度的11个水库，所有这些水库都为热能煤炭发电提供水源。我们使用了一个BLSTM序列到序列到序列（seq2seq2seq）深度学习模型，结合了图卷积层，以生成90天的预测。具体来说，该模型预测了与前一天相比的水位净变化，这种变化可以在后处理中转换回体积。我们为试点项目中展示的六大流域系统创建了一个独特的模型。每个水库的预测都是通过运行其流域模型并使用特定于水库的每日输入来创建的。 资料来源 ： a:WRI 印度 2021 年。b:Kruitwagen et al. 2021, 2.c:Kruitwagen 等人 2022b 。 建模范围 每日数据（记录越长，模型可以从其中学习到的干旱时期实例就越多）。CWC数据的额外优势在于它是官方政府数据集，这有助于提高地方对研究的接受度和应用。 尽管我们的试点研究仅关注11个储水池，但我们认识到这些储水池并非孤立存在。上游和下游的储水池管理很可能会对水资源可用性产生影响。因此，我们在研究中包含了这些储水池。3通过图卷积层（称为邻接矩阵）将与11个试点水库相关的11个试点水库作为模型输入，以捕捉流域间的交互作用——特别是影响主要试点水库的流入和流出。总共涉及了38个水库（包括11个试点水库和27个辅助水库，如图2所示），覆盖了六大主要河流流域。 在黑客马拉松期间，我们识别出降雨量和温度是预测未来水库水位的强效预示因素。虽然存在多种可能的信息来源，但我们的研究需要数据为开源且易于获取（通过应用编程接口[API]或类似功能），并具有至少10年的记录，且在整个印度范围内保持一致质量。可获取性因素排除了大多数本地天气数据集作为基准模型的基础。我们确定了两个满足我们标准的来源：欧洲中期数值预报中心（ECMWF）和气候危害组红外降雨与站台数据（CHIRPS）。两者都提供了接近实时、全球可用的历史气象数据。ECMWF 的额外优势在于还提供了14天内的天气预测。 数据源 印度政府的中央水资源委员会（CWC）通过印度水资源信息系统（India-WRIS 2008）发布近实时的水库水位和体积数据。我们选择了CWC的水库水资源可用性数据，因为这些数据发布在一个开源平台上，并且CWC至少有10年的记录。 在欧洲中期天气预报中心（ECMWF）家族中，有两个数据集引起了关