Videnskab
 science >> Videnskab >  >> Natur

Maskinlæring ved hjælp af klimatiske mønsterdata kan hjælpe med at forudsige skadelige algeopblomstringer tidligere

Dette satellitbillede viser en skadelig algeopblomstring over Lake Erie i oktober 2011. Kredit:Florida Institute of Technology

Skadelige algeopblomstringer (HAB'er) er fytoplanktonkolonier, der kan skade akvatiske økosystemer og menneskers sundhed. Fiskene dør-off, skaldyrslukninger og modvilje blandt forbrugere til at spise fisk og skaldyr, ofte forårsaget af disse opblomstringer, koster USA i gennemsnit 4,6 milliarder dollars årligt.

En ny undersøgelse, der involverer Florida Tech, viser, at en ny maskinlæringstilgang ved hjælp af globale klimatiske mønstre kan forbedre sæsonbestemt forudsigelse af HAB'er. Denne forbedring kan betyde mere tid for politiske beslutningstagere til at overveje og vedtage ordentlige planlægnings- og afbødningsstrategier, såsom restriktioner i høst, og hjælpe med at overvåge toksiner i skaldyr for at holde forurenede produkter væk fra markedet, rapporterer forskerne.

"Forbedret sæsonbestemt forudsigelse af skadelig algeopblomstring ved hjælp af store klimaindekser," offentliggjort i dag i tidsskriftet Communications Earth and Environment , fandt ud af, at indtastning af globale klimatiske mønstre i en maskinlæringsbaseret ramme forbedrede sæsonbestemt forudsigelse af HAB'er over Lake Erie. Forskerne fandt også ud af, at brugen af ​​klimatiske mønsterdata gjorde det muligt at gennemføre den forbedrede sæsonbestemte forudsigelse tidligere end normalt.

"Ethvert fremskridt i forståelsen og forudsigelsen af ​​HAB'er kan gøre en betydelig indflydelse i USA og rundt om i verden," sagde Pallav Ray, en meteorolog og lektor i havteknik og havvidenskab ved Florida Tech og medforfatter af undersøgelsen .

Konventionelt udføres HAB-forudsigelse ved hjælp af information om kemikalier fra industrier og landbrugsjord, der transporteres ind i vandmasser gennem afstrømning. Imidlertid har HAB-forudsigelser, der bruger disse kemiske data som hoveddrivkraften, vist sig at være mindre nøjagtige under ekstreme blomstringsår. Den nye forskning viste, at når et sæt klimatiske mønstre blev brugt i en ny maskinlæringstilgang sammen med de kemiske data, blev HAB-forudsigelsesnøjagtigheden over Lake Erie dramatisk forbedret.

Et stigende antal vandområder, herunder den indiske flodlagune, er alvorligt påvirket af overdreven næringsstofbelastning. Lake Erie er påvirket ved sit vandskel på grund af tilstedeværelsen af ​​store produktionsfaciliteter og omfattende landbrugsarealer. Dette har ført til stadigt mere store og dybe opblomstringer i løbet af de sidste årtier.

Undersøgelsen fandt også, at de store hav-atmosfære-strukturer er tydeligt forskellige i milde HAB-år sammenlignet med alvorlige HAB-år, hvilket tyder på indflydelsen af ​​storskala-cirkulation på den sæsonmæssige udvikling af HAB'er over Lake Erie.

"Disse resultater forventes at hjælpe med at forlænge leveringstiden og forbedre sæsonbestemt forudsigelse af HAB'er ikke kun i Lake Erie, men også i andre vandområder rundt om i verden, hvor kemiske data muligvis ikke er tilgængelige," sagde Ray.

Hovedforfatter Mukul Tewari, en atmosfærisk videnskabsmand ved IBM Thomas J. Watson Research Center i Yorktown Heights, New York, sagde, at forskningen også fremhæver vigtigheden og værdien af ​​at have et varieret forskerhold. "Ethvert væsentligt fremskridt i HABs forudsigelse kræver tværfagligt samarbejde mellem eksperter i HABs, klimavidenskab, maskinlæring og beregnings- og datavidenskab," sagde han. + Udforsk yderligere

Skadelig algeopblomstring bliver sporbar langs den vestlige Erie-sø




Varme artikler