Algorytm pomaga sprawdzić powiązania między chemią prądu a środowiskiem

Według zespołu naukowców techniki uczenia maszynowego mogą pomóc naukowcom lepiej zrozumieć złożoną chemię przepływów i monitorować szersze warunki środowiskowe.

W badaniu naukowcy informują o nowym zastosowaniu algorytmu uczenia maszynowego do analizy zmian składu chemicznego strumieni w czasie, ze szczególnym uwzględnieniem fluktuacji dwutlenku węgla w drobnej i złożonej chemii strumienia.

Dodali, że naukowcy mogą być w stanie wykorzystać algorytm do zbadania roli, jaką prądy odgrywają w sekwestracji dwutlenku węgla i zawracaniu go do atmosfery. Zrozumienie tego procesu jest ważne ze względu na wpływ tego gazu cieplarnianego na globalny klimat.

„Chemia strumieni zmienia się w czasie, a ponieważ zmienia się w czasie, może dostarczyć nam wielu informacji” – powiedziała Susan Brantley, profesor nauk o Ziemi w stanie Penn State Distinguished Professor w Computer and Data Science Institute. „Tabele zawierają również informacje o tym, jak CO2 jest wyciągany z atmosfery lub wypychany z powrotem do atmosfery poprzez różne procesy. Tak więc, gdy przyjrzymy się chemii zmiennego w czasie strumienia, możemy dowiedzieć się więcej o CO2 wchodząc i wychodząc z atmosfery, odnosi się głównie do procesów naturalnych, ale także w pewnym stopniu do procesów wywoływanych przez człowieka.”

Andrew Shaunessy, doktorant nauk o Ziemi i pierwszy autor artykułu, powiedział, że badanie wykazało również związek między chemią skał a chemią strumieni.

„Odkryliśmy, że strumienie zachowują się bardzo podobnie do sposobu, w jaki zachowują się skały” – powiedział Shaunessy. „Możemy więc wykorzystać ten proces – tę interakcję między chemią strumienia odpowiadającą chemii skały – która ma miejsce dzisiaj, aby wywnioskować te długoterminowe procesy”.

Naukowcy znaleźli to wśród swoich odkryć kwaśny deszczNiezwykle kwaśny deszcz lub inne formy opadów zmniejszyły zdolność zlewni do sekwestracji dwutlenku węgla. Na przykład kwas siarkowy w kwaśnych deszczach może rozpuszczać materiały krzemianowe w zlewniach, co z kolei wpływa na proces sekwestracji dwutlenku węgla.

Wyzwaniem w obserwowaniu chemii strumienia jest jego złożoność, dlatego a metoda uczenia maszynowego To może mieć wielką wartość, powiedział Shaunessy. Zasugerował jednak, że bogata złożoność prądów jest rodzajem miecza obosiecznego.

„Dobrą rzeczą w przepływach jest to, że integrują wiele różnych procesów, dzięki czemu można mierzyć i poznawać chemię strumienia” – powiedział Shawnessy. „Problem ze strumieniami polega na tym, że łączą one również wszystkie te rzeczy. W strumieniu jest wiele źródeł substancji rozpuszczonych, a dużym wyzwaniem jest możliwość oddzielenia chemii strumienia i oddzielenia wszystkich różnych źródeł substancji rozpuszczonych, aby móc aby uzyskać wyobrażenie o indywidualnych reakcjach, które zachodzą. Częścią tego projektu było odczytanie prądu chemicznego w odniesieniu do tych interakcji metalicznych.

Przed wprowadzeniem tej metody naukowcy opierali się na metodzie zwanej analizą mieszania narządów końcowych lub EMMA, aby wyjaśnić źródła powstawania prądu, ale różnice w stężeniach prądu i wyładowania pozostały trudne do wyjaśnienia.

Uczenie maszynowe może pomóc odkryć część tej złożoności, zdaniem naukowców, którzy opisują swoje odkrycia w ostatnim wydaniu czasopisma. Hydrologia i nauki o Ziemi.

Zespół opracował swój model w oparciu o nienadzorowany model uczenia się zwany Negative Matrix Factor lub NMF. Model został również wykorzystany do zrozumienia złożonych relacji w tak różnych dziedzinach, jak astronomia i handel elektroniczny. Jak sama nazwa wskazuje, nienadzorowana nauka jest rodzajem nauczanie maszynowe Może znaleźć wzorce w danych, takie jak chemikalia w strumieniu, które nie są oznakowane ani opisane.

„W nienadzorowanym uczeniu się szukamy wzorców w danych, na przykład klastrów w danych i widzimy wzorce, które pojawiają się, aby móc nauczyć się czegoś nowego o zbiorze danych, który już posiadamy” – powiedział Shogansi.

Aby przetestować model, naukowcy połączyli dane dotyczące przepływu zebrane z Obserwatorium Strefy Krytycznej Rocky Hills, żywego laboratorium założonego w 2007 roku w pobliżu State College w Pensylwanii, gdzie naukowcy zbierają dane na temat ważnych procesów hydrologicznych, ekologicznych i geochemicznych w zlewni.

„To strona, która od lat jest obsługiwana i finansowana przez Narodową Fundację Nauki” – powiedział Brantley. „Przeprowadziliśmy wiele pomiarów na przestrzeni lat, więc wiemy dużo o tym systemie, a nasza grupa matematyczna pracowała naprawdę dobrze dla tego systemu, ponieważ dużo o nim wiedzieliśmy”.

Zespół zweryfikował algorytm, wykorzystując dane z dwóch innych miejsc w całym kraju — East River, dużego górskiego zlewiska położonego w pobliżu Gothic w Kolorado i Hubbard Brook, łańcucha dziewięciu małych, zalesionych zlewni położonych w Białych Górach w New Hampshire.

„Miło było móc rozpocząć projekt w miejscu w Pensylwanii, gdzie zebraliśmy i sfinansowaliśmy wiele danych z National Science Foundation, a następnie przenieść się do innych witryn, które były finansowane i utrzymywane przez inne osoby, aby zobacz to – powiedział Brantley. Inny, ponieważ geologia i inne czynniki są inne. Ale technologia działa i myślę, że byłaby to naprawdę przydatna technologia, która mogłaby pomóc wielu ludziom zrozumieć chemię strumienia”.

Obecnie badacze wykorzystują algorytm do badania strumienia chemia W łupku Marcellus, obszar, na którym szczelinowanie i wydobycie może mieć wpływ na drogi wodne.