La dificultad y el costo de recolectar muestras de agua de río en áreas remotas ha llevado a importantes, y en algunos casos, décadas:lagunas en los datos disponibles sobre la química del agua, según un equipo de investigadores dirigido por Penn State. El equipo está utilizando inteligencia artificial (IA) para predecir la calidad del agua y llenar los vacíos en los datos. Sus esfuerzos podrían conducir a una mejor comprensión de cómo reaccionan los ríos a las perturbaciones humanas y al cambio climático.

Los investigadores desarrollaron un modelo que pronostica el oxígeno disuelto (OD), un indicador clave de la capacidad del agua para sustentar la vida acuática, en cuencas hidrográficas poco monitoreadas en los Estados Unidos. Publicaron sus resultados en Ciencia y tecnología ambiental .

Generalmente, la cantidad de oxígeno disuelto en ríos y arroyos refleja sus ecosistemas, ya que ciertos organismos producen oxígeno mientras que otros lo consumen. DO también varía según la temporada y la elevación, y las condiciones climáticas locales de la zona provocan fluctuaciones, también, según Li Li, profesor de ingeniería civil y ambiental en Penn State.

"La gente suele pensar que el OD está impulsado por procesos biológicos y geoquímicos de corrientes, como los peces que respiran en el agua o las plantas acuáticas que hacen OD en los días soleados, "Dijo Li." Pero el clima también puede ser un factor importante. Condiciones hidrometeorológicas, incluida la temperatura y la luz solar, están influyendo en la vida en el agua, y esto, a su vez, influye en los niveles de concentración de OD ".

Datos hidrometeorológicos, que rastrea cómo se mueve el agua entre la superficie de la Tierra y la atmósfera, se registra con mucha más frecuencia y con más cobertura espacial que los datos de química del agua, según Wei Zhi, investigador postdoctoral en el Departamento de Ingeniería Civil y Ambiental y primer autor del artículo. El equipo teorizó que una base de datos hidrometeorológica a nivel nacional, que incluiría medidas como la temperatura del aire, precipitación y caudal de la corriente, podría usarse para pronosticar las concentraciones de OD en áreas remotas.

"Hay muchos datos hidrometeorológicos disponibles, y queríamos ver si había suficiente correlación, incluso indirectamente, para hacer una predicción y ayudar a llenar los vacíos de datos de la química del agua del río, "Dijo Zhi.

El modelo se creó a través de un marco de inteligencia artificial conocido como red de memoria a corto y largo plazo (LSTM), un enfoque utilizado para modelar sistemas naturales de "almacenamiento y liberación", según Chaopeng Shen, profesor asociado de ingeniería civil y ambiental en Penn State.

"Piense en ello como una caja, ", Dijo Shen." Puede tomar agua y almacenarla en un tanque a ciertas velocidades, mientras que en el otro lado lo libera a diferentes ritmos, y cada una de esas tasas está determinada por la capacitación. Lo hemos usado en el pasado para modelar la humedad del suelo, flujo de lluvia, temperatura del agua y ahora, HACER."

Los investigadores recibieron datos de la base de datos de hidrología Catchment Attributes and Meteorology for Large-sample Studies (CAMELS), que incluyó una reciente adición de datos de la química del agua de los ríos de 1980 a 2014 para las cuencas hidrográficas mínimamente perturbadas. De las 505 cuencas hidrográficas incluidas en el conjunto de datos "CAMELS-chem", el equipo encontró 236 con el mínimo necesario de diez mediciones de concentración de OD en el lapso de 35 años.

Para entrenar la red LSTM y crear un modelo, utilizaron datos de cuencas hidrográficas de 1980 a 2000, incluidas las concentraciones de OD, mediciones hidrometeorológicas diarias y atributos de cuencas hidrográficas como topografía, cobertura terrestre y vegetación.

Según Zhi, Luego, el equipo probó la precisión del modelo con los datos de OD restantes de 2001 a 2014, encontrando que el modelo había aprendido en general la dinámica de la solubilidad del OD, incluso cómo el oxígeno disminuye en temperaturas del agua más cálidas y a mayor altitud. También demostró tener una gran capacidad predictiva en casi tres cuartas partes de los casos de prueba.

"Es una herramienta realmente potente, ", Dijo Zhi." Nos sorprendió ver lo bien que el modelo aprendió la dinámica del OD en muchas condiciones diferentes de cuencas hidrográficas a escala continental ".

Agregó que el modelo se desempeñó mejor en áreas con niveles de OD más estables y condiciones de flujo de agua estables. pero se necesitarían más datos para mejorar las capacidades de pronóstico para las cuencas hidrográficas con mayor DO y variabilidad del caudal.

"Si podemos recolectar más muestras que capturen los picos altos y bajos de los niveles de OD, seremos capaces de reflejar eso en el proceso de formación y mejorar el desempeño en el futuro, "Dijo Zhi.