Brug af en maskinlæring til at modellere døde zoner i søer

Akvatiske økosystemer er komplekse miljøer, der kan blive påvirket af mange variabler, herunder vejret, de biologiske aktiviteter af de organismer, der lever i dem, og menneskeskabt næringsstofforurening. Den indflydelse disse variabler kan have på akvatiske økosystemer kan også afhænge af vandets egenskaber, såsom temperatur og dybde. Disse indbyrdes forbundne processer kan vippes ud af balance med ødelæggende konsekvenser.

For at hjælpe med at forudse disse konsekvenser har en gruppe UConn-forskere udviklet en alsidig computermodelleringsmetode, der bruger maskinlæring til at forbedre eksisterende bestræbelser på at overvåge og forudsige søvandskvalitet. Metoden blev for nylig offentliggjort i Environmental Modeling &Software .

Institut for Civil &Environmental Engineering og leder af Atmospheric and Air Quality Modeling Group Lektor Marina Astitha forklarer, at forskningen var fem år undervejs og er et samarbejde med en tidligere studerende, Christina Feng Chang '22 Ph.D. som en del af sin afhandling, og Institut for Havvidenskab og leder af forskningsgruppen for miljøkemi og geokemi, professor Penny Vlahos.

Vandmiljøer er modtagelige for eutrofiering, en proces, der udløses af overskydende næringsstoffer, mest fremtrædende bundet til gødningsafstrømning fra landbrugsaktiviteter, der kommer til vandøkosystemer og fører til algeopblomstring. Stigningen i vækst og eventuel nedbrydning af disse plantelignende materialer forbruger meget eller al den tilgængelige ilt til skade for andre organismer i miljøet.

Iltfattige eller hypoksiske områder kaldes "døde zoner" og kan føre til fiskedødelighed, problemer med vandkvaliteten og andre skadelige miljømæssige og økonomiske påvirkninger. Astitha forklarer, at disse eutrofieringshændelser forventes at intensivere med klimaændringer, og at modeller som denne vil blive vigtigere til overvågning og forudsigelsesformål.

Forskerne fokuserede deres undersøgelse på Lake Eries centrale bassin, som har oplevet sæsonbestemt algeopblomstring og eutrofieringsbegivenheder i årtier. Søens nærhed til store landbrugsområder, hvor der bruges gødning, og storbycentre, hvor luftforurening er et problem, præsenterer et unikt sæt udfordringer, som holdet havde til formål at studere.

Med millioner af mennesker, der er afhængige af Lake Erie for deres vand, har modellering været og fortsætter med at være medvirkende til at overvåge vandkvaliteten, siger Astitha.

"Lige nu laver prædiktive modeller daglige prognoser, hvilket er meget vigtigt, især for de mennesker, der bor i disse områder, fordi de er store befolkningscentre. Vand er ikke kun til rekreative formål; folk bruger det i deres daglige liv. ."

Astitha siger dog, at ingen enkelt model kan redegøre for alle de variabler, der påvirker vandkvaliteten. For at løse dette begyndte de at bygge maskinlæringsmodeller for at integrere data fra forskellige kilder og træne maskinlæringsalgoritmer med observationer i søen.

Astitha siger, at deres første publikation, der brugte denne metode, fokuserede på maskinlæringsmodellering af klorofyl a, en indikator for algebiomasse og eutrofiering, og et andet papir brugte den samme metode, men så på næringsstofforurening fra floder og vandløb. Denne seneste artikel ser på fysiske og biologiske processer begrænset inden for en fysik-baseret model for at forstå de dynamiske processer, der er involveret i eutrofieringshændelser.

Astitha siger, at de skal starte modelbygningen fra bunden for hver af de processer, de studerer, men det er nødvendigt at vurdere de forskellige fysiske, biologiske, vejrrelaterede og menneskelige processer, der påvirker eutrofiering.

Chang forklarer, at eutrofieringsprocesser starter om foråret, når gødningsudbringning på landbrugsjorder efterfulgt af regnhændelser kan skylle næringsstofferne ud i søen. I løbet af sommeren danner Eriesøens vand tre lag, et varmere tættere på overfladen kaldet epilimnion, et mellemlag, der oplever den mest drastiske vandtemperaturændring kaldet metalimnion, og et dybere, køligere kaldet hypolimnion.

Metalimnionlaget rummer termoklinen, hvor temperaturen ændrer sig brat. Om sommeren under lagdeling er der ringe eller ingen blanding mellem epilimnion- og hypolimnion-lagene, hvilket betyder, at det dybeste vand bliver mere og mere iltfattigt hen over sommeren.

Søens centrale bassin er udsat for de mest alvorlige hypoksiske hændelser, og for at studere disse hændelser og forstå, hvad der driver dem, forklarer Astitha, at modellen er designet til at forudsige opløst oxygen (DO), som er en proxy for hypoxi i vandet, og tilsyneladende iltudnyttelse (AOU), som er en proxy for biologisk aktivitet i det akvatiske økosystem. De brugte 15 års data indsamlet mellem 2002 og 2017 til at træne modellen.

Resultaterne var gode, siger Astitha, og modellen forudsagde nøjagtigt de observerede DO- og AOU-forhold. Modellen identificerede også, at termisk lagdeling, eller de separate temperaturlag i vandsøjlen, var den mest virkningsfulde variabel, der førte til eutrofiering i deres undersøgelsesområde.

"Det var et godt proof of concept, fordi der er få datapunkter i søen," siger Astitha. "Ideelt set ville enhver model have brug for en mere omfattende sødækning, hvilket ikke er der. Det er ikke muligt med de punktobservationer, vi har. Ikke desto mindre fungerede modellen meget godt."

Modeller som denne vil blive stadig vigtigere for vandkvalitetsovervågning og understøtte beslutningstagning, efterhånden som klimaet fortsætter med at ændre sig. Astitha siger, at de forventer, at forhold, såsom temperaturstigninger, vil intensivere lagdelingen, mens de potentielt forværrer mængden af ​​næringsstoffer, der kommer ind i søen med ekstreme nedbørshændelser forårsaget af klimaændringer.

"Det, der sker med hypoksi, er, at i dette naturlige system har de alligevel nitrogen og fosfor i sig, men når hundredvis af hektar jord bliver gødet, løber noget af den gødning ud i vandet. Det afhænger af søens blanding eller lagdeling. , og vejrforhold påvirker disse Begrebsmæssigt tror vi, at klimaændringer vil gøre tingene værre, og vi kan nu underholde hypotetiske fremtidsscenarier med modellen inden for betingelserne for klimasimuleringer."

Astitha siger, at fremtidig forskning omfatter anvendelse af metoden til andre ferskvands- eller marineøkosystemer og en mere grundig analyse ved hjælp af forskellige klimaændringsprojektionsdata for at undersøge klimaændringsscenariers indvirkning på vandkvaliteten i disse systemer.

"Fra mit synspunkt ønskede vi at bygge et værktøj, der komplementerer de modeller, der allerede udfører denne vigtige forudsigelse og overvågning. I en tid med maskinlæring og kunstig intelligens forsøger vi at bringe det stykke ind og se, hvor nyttigt det er, hvilket motiverede mig til at starte og fortsætte dette arbejde."

Flere oplysninger: C. Feng Chang et al., Vurdering af fysiske og biologiske søiltindikatorer ved hjælp af simulerede miljøvariabler og maskinlæringsalgoritmer, Environmental Modeling &Software (2024). DOI:10.1016/j.envsoft.2024.106024

Leveret af University of Connecticut