Maskininlärningsbaserade rekonstruktioner av historisk daglig och månatlig avrinning för de stora sjöarna i Laurentiderna

Varför historiska flöden fortfarande spelar roll

De stora sjöarna innehåller nästan en femtedel av världens sötvatten på ytan och förser miljontals människor med dricksvatten, transporter, energi och möjligheter till rekreation. Ändå har floderna som matar dessa sjöar inte alltid mätts noggrant. Många flödesmätare har lagts ned eller har luckor i sina register, vilket gör det svårt att veta hur mycket vatten som faktiskt har flutit in i sjöarna under de senaste decennierna. Denna artikel presenterar ett nytt sätt att digitalt ”spola tillbaka” mer än 60 års daglig avrinning till de stora sjöarna, vilket ger samhällen och planerare en tydligare bild av tidigare våta och torra perioder och hjälper dem förbereda sig för framtida klimat- och vattennivåförändringar.

Fyller i de saknade bitarna

Flödesmätare är de grundläggande verktygen för att mäta hur mycket vatten som rinner i en flod. I hela Nordamerika har tusentals av dessa tagits ur drift eller har ofullständiga register på grund av utrustningsfel och nedskärningar i finansiering. Traditionella metoder för att fylla luckor fokuserar ofta på enskilda floder eller använder globala datorbaserade modeller som är för grova för att fånga lokala detaljer. De kan ha svårt att följa dagliga upp- och nedgångar i flödet, vilket är avgörande för att förstå översvämningar, torka och hur vatten rör sig i lokala system. Vattendragens avrinningsområde till de stora sjöarna tillför extra komplexitet: nästan en tredjedel av området saknar mätare helt, det sträcker sig över USA–Kanada-gränsen och inkluderar ett lapptäcke av klimat, jordar, städer, jordbruk, skogar och våtmarker.

Lär en neuronnät att läsa floder

Författarna vänder sig till en typ av artificiell intelligens kallad Long Short-Term Memory (LSTM), en form av neuralt nätverk utformat för att lära sig mönster som utvecklas över tid. De tränar separata LSTM-modeller för fyra historiska perioder mellan 1950 och 2013, så att långsamma skiftningar i klimat, markanvändning och mänsklig vattenhantering fångas bättre. Varje modell matas med tre slags information för hundratals avrinningsområden i regionen kring de stora sjöarna: dagliga väderdata (regn och temperatur), fasta fysiska egenskaper för varje avrinningsområde (som höjd, lutning, jordarter och markanvändning) och—avgörande—flöden från närliggande ”donator”mätare som beter sig på liknande sätt. Ett kompletterande maskininlärningsverktyg lär sig först vilka mätare som tenderar att stiga och falla tillsammans, och väljer sedan de bästa donatorerna för varje målplats. Denna uppställning gör att nätverket kan lära sig hur regn och snösmältning omvandlas till flöde över en mängd olika landskap.

Från enskilda floder till hela sjöar

När de är tränade används den bäst presterande modellen (som använder både klimat- och donatormätarinformation) för att generera kompletta dagliga avriningsserier från 1951–2013 för 656 mätplatser. Teamet går sedan ett steg längre: de applicerar samma modell på 128 kustområden som mynnar direkt i de fem stora sjöarna—Superior, Michigan-Huron, St. Clair, Erie och Ontario. För varje av dessa avrinningsområden uppskattar modellen flöden i omätade områden och blandar dem med eventuella tillgängliga observationer från innermätare. Dessa dagliga värden summeras sedan för att producera månatliga totaler av vatten som flyter in i varje sjö.

Kontrollera de digitala floderna mot verkligheten

Forskarlaget testar noggrant hur väl deras modell presterar både på platser den har sett under träning och på platser den aldrig använt för träning. Över årtionden reproducerar modellen dagliga flöden mer exakt än en enklare version som endast förlitar sig på klimat- och avrinningsområdesegenskaper, särskilt när den kan använda sig av närliggande donatormätare. Den klarar sig särskilt väl för att ”fylla i luckorna” för mätare med partiella register, samtidigt som den fortfarande presterar konkurrenskraftigt i helt omätade avrinningsområden. När teamet jämför sina rekonstruktioner av månatlig avrinning in i sjöarna med flera befintliga produkter som används av myndigheter, finner de stark överensstämmelse under de senaste decennierna och tydligare, mer framträdande toppflöden i många fall, särskilt jämfört med modeller som enbart förlitar sig på regn–avrinningsekvationer.

Vad detta betyder för vattennivåerna i de stora sjöarna

Den nya datamängden erbjuder en av de mest detaljerade och långvariga vyerna av hur vatten har flödat från land in i de stora sjöarna under de senaste sex decennierna. För vattenförvaltare innebär detta bättre ingångsdata för sjöars vattenbalansmodeller, skarpare uppskattningar av tidigare översvämningar och torkor, och större tillförsikt vid planering för osäkra framtida vattennivåer i ett förändrat klimat. Eftersom metoden förlitar sig på långsiktiga väderdata och befintliga mätarnät—inte på relativt nya satellitdata—kan den förlängas både bakåt i tiden och till andra regioner i världen som har liknande övervakningsluckor. Kort sagt ger detta arbete en kraftfull ”spola tillbaka”-knapp för flöden, som hjälper samhällen att förstå var vattnet i de stora sjöarna har kommit ifrån tidigare så att det kan förvaltas klokare framöver.

Citering: Gupta, R.S., Wi, S. & Steinschneider, S. Machine Learning-Based Reconstructions of Historical Daily and Monthly Runoff for the Laurentian Great Lakes. Sci Data 13, 624 (2026). https://doi.org/10.1038/s41597-026-07000-0

Nyckelord: Avrinning i de stora sjöarna, rekonstruktion av flöden, maskininlärningshydrologi, variationer i vattennivå, klimatförändringars påverkan