De moeilijkheid en de kosten van het verzamelen van rivierwatermonsters in afgelegen gebieden hebben geleid tot aanzienlijke - en in sommige gevallen decennialange hiaten in de beschikbare gegevens over waterchemie, volgens een door Penn State geleid team van onderzoekers. Het team gebruikt kunstmatige intelligentie (AI) om de waterkwaliteit te voorspellen en de hiaten in de gegevens op te vullen. Hun inspanningen kunnen leiden tot een beter begrip van hoe rivieren reageren op menselijke verstoringen en klimaatverandering.

De onderzoekers ontwikkelden een model dat opgeloste zuurstof (DO) voorspelt, een belangrijke indicator van het vermogen van water om het leven in het water te ondersteunen, in licht gecontroleerde stroomgebieden in de Verenigde Staten. Ze publiceerden hun resultaten in Milieuwetenschap en -technologie .

Over het algemeen, de hoeveelheid opgeloste zuurstof in rivieren en beken weerspiegelt hun ecosystemen, omdat bepaalde organismen zuurstof produceren terwijl andere het consumeren. DO varieert ook op basis van het seizoen en de hoogte, en de plaatselijke weersomstandigheden in het gebied zorgen voor schommelingen, te, volgens LiLi, hoogleraar civiele en milieutechniek aan Penn State.

"Mensen denken meestal dat DO wordt aangedreven door biologische en geochemische processen, zoals vissen die het water inademen of waterplanten die DOEN op zonnige dagen, " zei Li. "Maar het weer kan ook een belangrijke drijfveer zijn. Hydrometeorologische omstandigheden, inclusief temperatuur en zonlicht, beïnvloeden het leven in het water, en dit beïnvloedt op zijn beurt de concentratieniveaus van DO."

Hydrometeorologische gegevens, die bijhoudt hoe water beweegt tussen het aardoppervlak en de atmosfeer, wordt veel vaker en met meer ruimtelijke dekking geregistreerd dan gegevens over waterchemie, volgens Wei Zhi, postdoctoraal onderzoeker bij de afdeling Civiele en Milieutechniek en eerste auteur van het artikel. Het team theoretiseerde dat een landelijke hydrometeorologische database, waaronder metingen zoals luchttemperatuur, neerslag en stroomsnelheid, zou kunnen worden gebruikt om DO-concentraties in afgelegen gebieden te voorspellen.

"Er zijn veel hydrometeorologische gegevens beschikbaar, en we wilden zien of er voldoende correlatie was, zelfs indirect, om een ​​voorspelling te doen en de hiaten in de chemie van rivierwater op te vullen, ' zei Zhi.

Het model is gemaakt via een AI-framework dat bekend staat als een Long Short-Term Memory (LSTM) -netwerk, een benadering die wordt gebruikt om natuurlijke systemen voor "opslag en vrijgave" te modelleren, volgens Chaopeng Shen, universitair hoofddocent civiele en milieutechniek aan Penn State.

"Zie het als een doos, "Zei Shen. "Het kan water opnemen en met bepaalde snelheden in een tank opslaan, terwijl aan de andere kant het met verschillende snelheden wordt vrijgegeven, en elk van die tarieven wordt bepaald door de training. We hebben het in het verleden gebruikt om bodemvocht te modelleren, regen stroom, watertemperatuur en nu, DOEN."

De onderzoekers ontvingen gegevens van de hydrologiedatabase Catchment Attributes and Meteorology for Large-sample Studies (CAMELS), waaronder een recente toevoeging van rivierwaterchemiegegevens van 1980 tot 2014 voor minimaal verstoorde stroomgebieden. Van de 505 stroomgebieden die zijn opgenomen in de dataset "CAMELS-chem", het team vond 236 met het benodigde minimum van tien DO-concentratiemetingen in de periode van 35 jaar.

Om het LSTM-netwerk te trainen en een model te maken, ze gebruikten stroomgebiedgegevens van 1980 tot 2000, inclusief DO-concentraties, dagelijkse hydrometeorologische metingen en stroomgebiedkenmerken zoals topografie, bodembedekking en vegetatie.

Volgens Zhi, het team testte vervolgens de nauwkeurigheid van het model tegen de resterende DO-gegevens van 2001 tot 2014, bevinding dat het model over het algemeen de dynamiek van DO-oplosbaarheid had geleerd, inclusief hoe zuurstof afneemt bij warmere watertemperaturen en op grotere hoogte. Het bleek ook een sterk voorspellend vermogen te hebben in bijna driekwart van de testgevallen.

"Het is een heel sterk hulpmiddel, " Zei Zhi. "Het verraste ons om te zien hoe goed het model DO-dynamiek leerde over veel verschillende stroomgebieden op continentale schaal."

Hij voegde eraan toe dat het model het beste presteerde in gebieden met stabielere DO-niveaus en stabiele waterstroomomstandigheden, maar er zouden meer gegevens nodig zijn om de prognosemogelijkheden voor stroomgebieden met een hogere DO en streamflowvariabiliteit te verbeteren.

"Als we meer monsters kunnen verzamelen die de hoge pieken en lage dalen van DO-niveaus vastleggen, we zullen in staat zijn om dat weer te geven in het trainingsproces en de prestaties in de toekomst te verbeteren, ' zei Zhi.