美國能源部橡樹嶺國家實驗室（Oak Ridge National Laboratory, ORNL）的科學家開發出一套創新模型，結合人工智慧（AI）與水流物理學原理，能精準預測河流溫度，即使是缺乏感測器的水域也能有效運作。這項技術對於確保美國的電力設施穩定運作，以及強化國家能源安全至關重要。

這套模型旨在提供水力發電廠及水壩營運商關鍵資訊，以避免觸犯法規、減輕對水生生態系統的損害，並協助管理下游用水戶的需求。美國的電力供應中，有超過七成來自仰賴水資源冷卻的熱電廠，包括核能、天然氣和燃煤發電設施。因此，水資源的供應與溫度資訊，對於維持電力生產的可靠性與效率至關重要，同時也影響農業、資料中心選址、魚群管理及整體生態系統健康。

橡樹嶺國家實驗室的科學家採用了 Long Short-Term Memory network（LSTM）這種適合分析時間序列模式的人工智慧機器學習方法來建構模型。該模型學習天氣與地景條件如何隨時間影響河流溫度，橫跨數天、季節乃至數年。其預測值與實際值之間的平均絕對誤差僅約攝氏 1.1 度，精準度與傳統資料密集型模型相當，但建造與維護所需的資源與時間更少。這項研究成果已詳載於《Journal of Hydrology》期刊。

橡樹嶺國家實驗室資深工程師 Sean Turner 指出，此模型有助於增進對現有核電廠營運的理解，並評估國家未來核能擴張的適當選址。他認為，這類基於大量數據訓練的深度學習基礎模型，在辨識與預測長期模式方面，相較於過去五十年所開發的模型，能產出更優異且更具可移植性的結果。

該模型能夠針對美國本土任何地區生成每日的河川溫度估計值，即使是完全沒有測量站的流域也能提供數據。團隊利用多方公開數據進行訓練，包含美國地質調查局（U.S. Geological Survey）約 300 個測量站九年的每日觀測數據，以及橡樹嶺國家實驗室開發的水道數據，涵蓋降水、氣溫、太陽輻射、濕度及積雪等現象。此外，還使用了橡樹嶺國家實驗室模擬的每日水流統計數據，以及關於流域特徵的聯邦數據。