Машинное обучение может помочь в продвижении водосбережения в бассейне реки Колорадо

Бассейн реки Колорадо, снабжающий водой 40 миллионов человек на западе США, находится под угрозой из-за исторической засухи, изменения климата и растущих потребностей городов. Ученые сообщают, что новое исследование может помочь выявить людей, наиболее склонных изменить свое поведение для экономии воды — одного из потенциальных ответов на эти вызовы.

«Бассейн реки Колорадо переживает почти беспрецедентный уровень засухи — возможно, худший за 100 лет», — сказала Рене Обрингер, доцент кафедры энергетики и минеральных ресурсов в Penn State. Успех стратегий, поощряющих сбережение воды, требует понимания установок и убеждений конкретных сообществ. Ученые использовали данные опроса 3000 жителей трех городов (Финикс, Лас-Вегас, Денвер), собранные в 2018 году для оценки отношения к изменению климата. Применив современный алгоритм кластеризации к ответам, они смогли выделить в этих городах четкие группы потребителей воды.

«Наше исследование пытается разработать архетипы отношения к сохранению воды», — пояснила Обрингер. Эта информация может быть использована для лучшего понимания населения и разработки целевых мер, направленных на изменение установок. Анализ выявил семь архетипов — от «уверенных отрицателей» (уверены в своей способности экономить воду, но отрицают необходимость этого) до «потенциальных участников» (готовы экономить, но еще не делают этого).

«Потенциальные участники» оказались одной из крупнейших групп во всех трех городах. Эти данные указывают, что целевые кампании по сбережению воды могли бы превратить этих жителей в активных участников и оказать реальное влияние на потребление. «Учитывая размер этой группы, есть реальная возможность проводить информационные кампании, чтобы помочь людям понять, что они могут делать даже в не засушливые годы», — отметила Обрингер. Убеждение людей изменить отношение может привести к долгосрочному снижению спроса без непопулярных мандатов, которые не гарантируют устойчивых изменений.

Исследователи сообщили о своих выводах в журнале Water Resources Management. В отличие от предыдущих работ, сфокусированных на отдельных городах, архетипы, выявленные в новом исследовании, были согласованы для всех трех городов, что повышает переносимость метода. Алгоритм кластеризации, тип машинного обучения, позволил компьютеру выявить относительное сходство между точками данных и обнаружить закономерности, неочевидные для человеческого глаза. Следующим шагом станет создание симуляционной модели для присвоения архетипов домохозяйствам и оценки влияния изменений в участии на доступность воды.