Science >> Wetenschap >  >> Natuur

Machine learning gebruiken om dode zones in meren te modelleren

De wateren van Lake Erie lijken groen te gloeien op deze afbeelding gemaakt door de Moderate Resolution Imaging Spectroradiometer (MODIS) van NASA's Aqua-satelliet. Krediet:NASA-afbeelding met dank aan LANCE/EOSDIS MODIS Rapid Response Team bij NASA GSFC

Aquatische ecosystemen zijn complexe omgevingen die kunnen worden beïnvloed door vele variabelen, waaronder het weer, de biologische activiteiten van de organismen die erin leven en antropogene nutriëntenvervuiling. De invloed die deze variabelen kunnen hebben op aquatische ecosystemen kan ook afhangen van de kenmerken van het waterlichaam, zoals temperatuur en diepte. Deze onderling verbonden processen kunnen uit balans raken, met verwoestende gevolgen.



Om deze gevolgen te helpen anticiperen, heeft een groep UConn-onderzoekers een veelzijdige computermodelleringsmethode ontwikkeld met behulp van machinaal leren om de bestaande inspanningen om de waterkwaliteit van meren te monitoren en te voorspellen te verbeteren. De methode is onlangs gepubliceerd in Environmental Modeling &Software .

Afdeling Civiele Techniek en Milieutechniek en hoofd van de groep Atmosferische en Luchtkwaliteit Modellering Universitair hoofddocent Marina Astitha legt uit dat het onderzoek vijf jaar in de maak was en een samenwerking is met een voormalig student, Christina Feng Chang '22 Ph.D. als onderdeel van haar proefschrift, en Departement Mariene Wetenschappen en hoofd van de onderzoeksgroep Milieuchemie en Geochemie, professor Penny Vlahos.

Aquatische omgevingen zijn vatbaar voor eutrofiëring, een proces dat wordt veroorzaakt door overtollige voedingsstoffen, vooral gekoppeld aan de afvoer van kunstmest door landbouwactiviteiten, die hun weg vinden naar waterecosystemen en leiden tot algenbloei. De toename van de groei en de uiteindelijke afbraak van deze plantachtige materialen verbruiken veel of alle beschikbare zuurstof, ten koste van andere organismen in het milieu.

Zuurstofarme of hypoxische gebieden worden "dode zones" genoemd en kunnen leiden tot vissterfte, problemen met de waterkwaliteit en andere schadelijke gevolgen voor het milieu en de economie. Astitha legt uit dat deze eutrofiëringsgebeurtenissen naar verwachting zullen intensiveren als gevolg van de klimaatverandering, en dat modellen als deze belangrijker zullen worden voor monitoring- en voorspellingsdoeleinden.

De onderzoekers concentreerden hun onderzoek op het centrale stroomgebied van Lake Erie, dat al tientallen jaren te maken heeft met seizoensgebonden algenbloei en eutrofiëring. De nabijheid van het meer tot grote landbouwgebieden, waar meststoffen worden gebruikt, en grootstedelijke centra, waar luchtvervuiling een probleem is, biedt een unieke reeks uitdagingen die het team wilde bestuderen.

Omdat miljoenen mensen voor hun water afhankelijk zijn van Lake Erie, zijn en blijven modellen een belangrijke rol spelen bij het monitoren van de waterkwaliteit, zegt Astitha.

"Op dit moment doen voorspellende modellen dagelijkse voorspellingen, wat erg belangrijk is, vooral voor de mensen die in deze gebieden wonen, omdat het grote bevolkingscentra zijn. Water is niet alleen voor recreatieve doeleinden; mensen gebruiken het in hun dagelijks leven ."

Astitha zegt echter dat geen enkel model rekening kan houden met alle variabelen die van invloed zijn op de waterkwaliteit. Om dit aan te pakken, zijn ze begonnen met het bouwen van machine learning-modellen om gegevens uit verschillende bronnen te integreren en machine learning-algoritmen te trainen met observaties in het meer.

Astitha zegt dat hun eerste publicatie die deze methode gebruikte zich richtte op machinaal lerende modellering van chlorofyl a, een indicator van algenbiomassa en eutrofiëring, en een tweede artikel gebruikte dezelfde methodologie, maar keek naar nutriëntenvervuiling door rivieren en beken. In dit meest recente artikel wordt gekeken naar fysieke en biologische processen die zijn opgesloten in een op natuurkunde gebaseerd model om de dynamische processen te begrijpen die betrokken zijn bij eutrofiëringsgebeurtenissen.

Astitha zegt dat ze voor elk van de processen die ze bestuderen helemaal opnieuw moeten beginnen met het bouwen van modellen, maar dat het noodzakelijk is om de verschillende fysieke, biologische, weergerelateerde en menselijke processen die van invloed zijn op eutrofiëring te beoordelen.

Chang legt uit dat eutrofiëringsprocessen in het voorjaar beginnen, wanneer kunstmesttoepassingen op landbouwgronden, gevolgd door regen, de voedingsstoffen in het meer kunnen spoelen. Tijdens de zomer vormen de wateren van Lake Erie drie lagen:een warmere laag dichter bij het oppervlak, het epilimnion, een tussenlaag die de meest drastische veranderingen in de watertemperatuur ervaart, het metalimnion, en een diepere, koelere laag, het hypolimnion.

De metalimnionlaag herbergt de thermocline, waar de temperatuur abrupt verandert. In de zomer is er tijdens de stratificatie weinig tot geen vermenging tussen de epilimnion- en hypolimnionlagen, wat betekent dat de diepste wateren gedurende de zomer steeds meer zuurstofarm worden.

Het centrale bekken van het meer is gevoelig voor de ernstigste hypoxische gebeurtenissen. Om deze gebeurtenissen te bestuderen en te begrijpen wat hen drijft, legt Astitha uit dat het model is ontworpen om opgeloste zuurstof (DO) te voorspellen, wat een maatstaf is voor hypoxie in het water. schijnbaar zuurstofgebruik (AOU), wat een maatstaf is voor biologische activiteit in het aquatische ecosysteem. Ze gebruikten 15 jaar aan gegevens verzameld tussen 2002 en 2017 om het model te trainen.

De resultaten waren goed, zegt Astitha, en het model voorspelde nauwkeurig de waargenomen DO- en AOU-omstandigheden. Het model identificeerde ook dat thermische stratificatie, of de afzonderlijke temperatuurlagen in de waterkolom, de meest invloedrijke variabele was die de eutrofiëring in hun studiegebied aanstuurde.

"Het was een goed proof-of-concept omdat er schaarse datapunten in het meer zijn", zegt Astitha. "In het ideale geval zou elk model een uitgebreidere dekking van het meer nodig hebben, en die bestaat niet. Dat is niet haalbaar met de puntwaarnemingen die we hebben. Niettemin werkte het model heel goed."

Modellen als deze zullen steeds belangrijker worden voor de monitoring van de waterkwaliteit en ter ondersteuning van de besluitvorming naarmate het klimaat blijft veranderen. Astitha zegt dat ze verwachten dat omstandigheden, zoals temperatuurstijgingen, de stratificatie zullen intensiveren, terwijl ze mogelijk de hoeveelheid voedingsstoffen die het meer binnendringen zal vergroten door extreme neerslag als gevolg van de klimaatverandering.

"Wat er gebeurt met hypoxie is dat ze in dit natuurlijke systeem sowieso stikstof en fosfor in zich hebben, maar wanneer honderden hectares land worden bemest, sijpelt een deel van die meststof in het water. Het hangt af van de vermenging of gelaagdheid van het meer. , en weersomstandigheden beïnvloeden deze. Conceptueel denken we dat de klimaatverandering de zaken alleen maar erger zal maken, en we kunnen nu met het model hypothetische toekomstscenario's maken binnen de omstandigheden van klimaatsimulaties."

Astitha zegt dat toekomstig onderzoek het toepassen van de methodologie op andere zoetwater- of mariene ecosystemen omvat en een grondigere analyse met behulp van verschillende projectiegegevens over klimaatverandering om de impact van klimaatveranderingsscenario's op de waterkwaliteit van die systemen te onderzoeken.

"Vanuit mijn standpunt wilden we een tool bouwen die een aanvulling vormt op de modellen die deze belangrijke voorspelling en monitoring al doen. In het tijdperk van machinaal leren en kunstmatige intelligentie proberen we dat stuk in te brengen en te zien hoe nuttig het is, wat mij motiveerde om dit werk te starten en voort te zetten."

Meer informatie: C. Feng Chang et al., Beoordeling van fysieke en biologische zuurstofindicatoren in meren met behulp van gesimuleerde omgevingsvariabelen en machine learning-algoritmen, Milieumodellering en software (2024). DOI:10.1016/j.envsoft.2024.106024

Aangeboden door Universiteit van Connecticut