Machine learning-technieken kunnen wetenschappers helpen de ingewikkelde chemie van stromen beter te begrijpen en bredere omgevingsomstandigheden te volgen, aldus een team van onderzoekers.

In een onderzoek, de onderzoekers rapporteren over de nieuwe toepassing van een machine learning-algoritme om te analyseren hoe de chemische samenstelling van streams in de loop van de tijd verandert, met name gericht op de fluctuaties van kooldioxide in de delicate en complexe stroomchemie.

Ze voegden eraan toe dat wetenschappers het algoritme mogelijk kunnen gebruiken om de rol te bestuderen die stromen spelen bij het vastleggen van koolstofdioxide en het terug vrijgeven in de atmosfeer. Het begrijpen van dit proces is belangrijk vanwege de impact die dit broeikasgas heeft op het mondiale klimaat.

"De chemie van stromen verandert met de tijd en als het verandert met de tijd, het kan ons veel informatie bieden, " zei Susan Brantley, onderscheiden hoogleraar geowetenschappen aan Penn State en een filiaal van het Institute for Computational and Data Sciences. "Stremen hebben ook informatie over hoe koolstofdioxide uit de atmosfeer wordt gehaald, of teruggeduwd in de atmosfeer door een verscheidenheid aan processen. Dus, als we kijken naar stroomchemie die met de tijd verandert, we kunnen meer leren over koolstofdioxide dat in en uit de atmosfeer gaat, voornamelijk gerelateerd aan natuurlijke processen, maar ook tot op zekere hoogte met processen die mensen veroorzaken."

De studie toonde ook de relatie aan tussen gesteentechemie en stroomchemie, zei Andrew Shaughnessy, promovendus in de geowetenschappen en eerste auteur van het artikel.

"We ontdekten dat de stromen zich zeer vergelijkbaar gedragen met de manier waarop de rotsen zich gedragen, "zei Shaughnessy. "Dus, we kunnen dit proces gebruiken - dit samenspel tussen stroomchemie en gesteentechemie - dat vandaag plaatsvindt om deze langetermijnprocessen af ​​te leiden."

Onder hun ontdekkingen, de onderzoekers ontdekten dat zure regen - ongewoon zure regen of andere vormen van neerslag - het vermogen van een stroomgebied om koolstofdioxide op te slaan, verminderde. Bijvoorbeeld, zwavelzuur in zure regen kan silicaatmaterialen in het stroomgebied oplossen, die vervolgens het kooldioxide-vastleggingsproces beïnvloedt.

De uitdaging van het monitoren van stroomchemie is de complexiteit, daarom kan een machine learning-methode zo waardevol zijn, zei Shaughnessy. De rijke complexiteit van streams is een beetje een tweesnijdend zwaard, echter, hij stelde voor.

"Het mooie van streams is dat ze veel verschillende processen integreren, zodat je de stroomchemie kunt meten en er meer over te weten kunt komen, "Zei Shaughnessy. "Het probleem met streams is dat ze ook al deze dingen integreren. Er zijn veel bronnen van opgeloste stoffen in de stroom en de grote uitdaging is om de stroomchemie te kunnen nemen en alle verschillende bronnen van de opgeloste stoffen te scheiden om te leren over individuele reacties die plaatsvinden. Een deel van dit project was het lezen van de stroomchemie in termen van deze minerale reacties."

Voorafgaand aan deze methode onderzoekers vertrouwden op een methode genaamd endmember mixing analysis, of EMMA, om de bronnen van samenstelling van de stroom te interpreteren, maar variaties in stroomconcentraties en lozingen bleven moeilijk te verklaren.

Machine learning kan helpen een deel van die complexiteit te ontrafelen, volgens de onderzoekers die hun bevindingen rapporteerden in een recent nummer van het tijdschrift Hydrologie en aardsysteemwetenschappen .

Het team ontwikkelde hun model op basis van een niet-gesuperviseerd leermodel genaamd on-negative matrix factorization, of NMF. Het model is ook gebruikt om complexe relaties te begrijpen op uiteenlopende gebieden als astronomie en e-commerce. Zoals de naam al doet vermoeden, unsupervised learning is een vorm van machine learning die patronen in gegevens kan vinden, zoals de chemicaliën in de stroom, die niet zijn getagd, of beschreven.

"Bij ongecontroleerd leren, we zoeken naar patronen in de data, bijvoorbeeld, clusters in de data en kijk welke patronen naar voren komen om iets nieuws te kunnen leren over de dataset die we al hebben, ' zei Shaughnessy.

Om het model te testen, de onderzoekers verzamelden stroomgegevens verzameld van Shale Hills Critical Zone Observatory, een levend laboratorium opgericht in 2007 in de buurt van State College, Pennsylvania, waar onderzoekers gegevens verzamelen over belangrijke hydrologische, ecologische en geochemische processen in het stroomgebied.

"Het is een site die al jaren wordt beheerd en gefinancierd door de National Science Foundation, " zei Brantley. "We hebben daar in de loop der jaren veel metingen gedaan, dus we weten veel over dat systeem en onze wiskunde werkte echt geweldig voor dat systeem, waar we veel van wisten."

Het team valideerde het algoritme met behulp van gegevens van twee andere locaties in het land:East River, een grote, bergachtige waterscheiding in de buurt van Gothic, Colorado, en Hubbard Brook, een serie van negen kleine, beboste stroomgebieden in de White Mountains van New Hampshire.

"Het was leuk om het project te kunnen starten op een plaats in Penn State waar een enorme hoeveelheid gegevens werd verzameld, gefinancierd door NSF, en ga dan naar andere sites die door andere mensen zijn gefinancierd en onderhouden om te laten zien dat het werkte, "zei Brantley. "Het gaf ons verschillende interpretaties omdat de geologie en andere factoren anders zijn. Maar, de techniek werkt en ik denk dat het een heel nuttige techniek wordt die veel mensen kan helpen de chemie van streams te begrijpen."

Momenteel, onderzoekers gebruiken het algoritme om de stroomchemie in de Marcellus Shale-regio te onderzoeken, een gebied waar fracking en mijnbouw mogelijk van invloed zijn geweest op stromen.