Algoritme hjælper med at undersøge forbindelser mellem strømkemi og miljø

Maskinlæringsteknikker kan hjælpe forskere med bedre at forstå den indviklede kemi i vandløb og overvåge bredere miljøforhold, ifølge et hold forskere.

I en undersøgelse, forskerne rapporterer om den nye anvendelse af en maskinlæringsalgoritme til at analysere, hvordan den kemiske sammensætning af vandløb ændrer sig over tid, især med fokus på udsvingene af kuldioxid i den delikate og komplekse strømkemi.

De tilføjede, at videnskabsmænd muligvis kan bruge algoritmen til at studere den rolle, strømme spiller i at binde kuldioxid og frigive det tilbage til atmosfæren. Det er vigtigt at forstå denne proces på grund af den indflydelse, denne drivhusgas har på det globale klima.

"Kemien i vandløb ændrer sig med tiden, og som den ændrer sig med tiden, det kan give os en masse information, " sagde Susan Brantley, fremtrædende professor i geovidenskab ved Penn State og et tilknyttet Institut for Computational and Data Sciences. "Strømme har også information om, hvordan kuldioxid bliver trukket ud af atmosfæren, eller presset tilbage i atmosfæren af ​​en række forskellige processer. Så, når vi ser på strømkemi, der ændrer sig med tiden, vi kan lære mere om kuldioxid, der går ind og ud af atmosfæren, mest relateret til naturlige processer, men også til en vis grad med processer, som mennesker forårsager."

Undersøgelsen viste også forholdet mellem stenkemi og strømkemi, sagde Andrew Shaughnessy, ph.d.-kandidat i geovidenskab og førsteforfatter til papiret.

"Vi fandt ud af, at vandløbene opfører sig meget lig den måde, stenene opfører sig på, sagde Shaughnessy. vi kan bruge denne proces - dette samspil mellem strømkemi, der matcher klippekemi - der sker i dag til at udlede disse langsigtede processer."

Blandt deres opdagelser, forskerne fandt ud af, at sur regn - som er usædvanlig sur regn eller andre former for nedbør - reducerede et vandskels evne til at binde kuldioxid. For eksempel, svovlsyre i sur regn kunne opløse silikatmaterialer i vandskellet, hvilket så påvirker kuldioxidbindingsprocessen.

Udfordringen ved at overvåge strømkemi er dens kompleksitet, Derfor kan en maskinlæringsmetode være så værdifuld, sagde Shaughnessy. Den rige kompleksitet af vandløb er lidt af et to-kantet sværd, imidlertid, foreslog han.

"Det gode ved streams er, at de integrerer mange forskellige processer, så du kan måle strømmens kemi og lære om dem, "Shaughnessy sagde. "Problemet med vandløb er, at de også integrerer alle disse ting. Der er mange kilder til opløste stoffer i strømmen, og den store udfordring er at kunne tage strømmens kemi og adskille alle de forskellige kilder til de opløste stoffer for at kunne lære om individuelle reaktioner, der finder sted. En del af dette projekt var at læse strømmens kemi i form af disse mineralreaktioner."

Før denne metode, forskere stolede på en metode kaldet endmember mixing analyse, eller EMMA, at fortolke kilderne til strømmens sammensætning, men variationer i vandløbskoncentrationer og udledninger var fortsat vanskelige at forklare.

Maskinlæring kan hjælpe med at optrevle noget af denne kompleksitet, ifølge forskerne, som rapporterede deres resultater i et nyligt nummer af tidsskriftet Hydrologi og jordsystemvidenskab .

Holdet udviklede deres model baseret på en uovervåget læringsmodel kaldet on-negative matrix factorization, eller NMF. Modellen er også blevet brugt til at forstå komplekse sammenhænge inden for så forskellige områder som astronomi og e-handel. Som navnet antyder, uovervåget læring er en type maskinlæring, der kan finde mønstre i data, såsom kemikalierne i vandløbet, som ikke er mærket, eller beskrevet.

"I uovervåget læring, vi leder efter mønstre i dataene, for eksempel, klynger i dataene og se hvilke mønstre der opstår for at kunne lære noget nyt om det datasæt, vi allerede har, " sagde Shaughnessy.

For at teste modellen, forskerne indsamlede strømdata indsamlet fra Shale Hills Critical Zone Observatory, et levende laboratorium etableret i 2007 nær State College, Pennsylvania, hvor forskere samler data om vigtige hydrologiske, økologiske og geokemiske processer i vandskellet.

"Det er et websted, der har været drevet og finansieret af National Science Foundation i årevis, " sagde Brantley. "Vi har lavet en masse målinger i årenes løb der, så vi ved meget om det system, og vores matematiksæt fungerede rigtig godt for det system, hvor vi vidste meget om det."

Holdet validerede algoritmen ved hjælp af data fra to andre steder rundt om i landet - East River, en stor, bjergrigt vandskel beliggende nær gotisk, Colorado, og Hubbard Brook, en serie på ni små, skovklædte vandskel beliggende i White Mountains i New Hampshire.

"Det var en dejlig ting at kunne starte projektet på et sted i Penn State, hvor vi havde en enorm mængde data, der blev indsamlet, finansieret af NSF, og derefter flytte til andre websteder, der var blevet finansieret og vedligeholdt af andre mennesker for at vise, at det virkede, " sagde Brantley. "Det gav os forskellige fortolkninger, fordi geologien og andre faktorer er anderledes. Men, teknikken virker, og jeg tror, ​​det vil være en virkelig nyttig teknik, der kan hjælpe mange mennesker med at forstå strømkemi."

I øjeblikket, forskere bruger algoritmen til at undersøge strømkemi i Marcellus Shale-regionen, et område, hvor fracking og minedrift kan have påvirket vandløb.