Las técnicas de aprendizaje automático pueden ayudar a los científicos a comprender mejor la intrincada química de los arroyos y monitorear condiciones ambientales más amplias. según un equipo de investigadores.

En un estudio, los investigadores informan sobre la aplicación novedosa de un algoritmo de aprendizaje automático para analizar cómo cambia la composición química de las corrientes con el tiempo, centrándose particularmente en las fluctuaciones del dióxido de carbono en la delicada y compleja química de la corriente.

Agregaron que los científicos pueden usar el algoritmo para estudiar el papel que juegan las corrientes en el secuestro de dióxido de carbono y su liberación a la atmósfera. Comprender este proceso es importante debido al impacto que tiene este gas de efecto invernadero en el clima global.

"La química de las corrientes cambia con el tiempo y, a medida que cambia con el tiempo, nos puede ofrecer mucha información, "dijo Susan Brantley, profesor distinguido de geociencias en Penn State y afiliado al Instituto de Ciencias Computacionales y de Datos. "Los arroyos también contienen información sobre cómo se extrae el dióxido de carbono de la atmósfera, o empujado a la atmósfera por una variedad de procesos. Entonces, cuando observamos que la química de la corriente cambia con el tiempo, podemos aprender más sobre el dióxido de carbono que entra y sale de la atmósfera, relacionados principalmente con procesos naturales, pero también, en cierta medida, con los procesos que provocan los humanos ".

El estudio también mostró la relación entre la química de las rocas y la química de los arroyos, dijo Andrew Shaughnessy, Candidato a doctorado en geociencias y primer autor del artículo.

"Descubrimos que los arroyos se comportan de manera muy similar a la forma en que se comportan las rocas, "dijo Shaughnessy." Entonces, podemos utilizar este proceso, esta interacción entre la química de las corrientes y la química de las rocas, que está sucediendo hoy para inferir estos procesos a largo plazo ".

Entre sus descubrimientos, Los investigadores encontraron que la lluvia ácida, que es inusualmente lluvia ácida u otras formas de precipitación, redujo la capacidad de una cuenca para secuestrar dióxido de carbono. Por ejemplo, El ácido sulfúrico en la lluvia ácida podría disolver los materiales de silicato en la cuenca, que luego afecta el proceso de secuestro de dióxido de carbono.

El desafío de monitorear la química de la corriente es su complejidad, por eso un método de aprendizaje automático puede ser tan valioso, dijo Shaughnessy. La rica complejidad de los arroyos es una especie de espada de dos filos, sin embargo, el sugirió.

"Lo bueno de las transmisiones es que integran muchos procesos diferentes, para que pueda medir la química del flujo y aprender sobre ellos, "Dijo Shaughnessy." El problema con las transmisiones es que también integran todas estas cosas. Hay muchas fuentes de solutos en la corriente y el gran desafío es poder tomar la química de la corriente y separar todas las diferentes fuentes de solutos para poder aprender sobre las reacciones individuales que tienen lugar. Parte de este proyecto fue leer la química de la corriente en términos de estas reacciones minerales ".

Antes de este método, Los investigadores se basaron en un método llamado análisis de mezcla de miembros finales, o EMMA, interpretar las fuentes de composición de la corriente, pero las variaciones en las concentraciones de los arroyos y las descargas siguieron siendo difíciles de explicar.

El aprendizaje automático puede ayudar a desentrañar parte de esa complejidad, según los investigadores, que informaron sus hallazgos en una edición reciente de la revista Hidrología y Ciencias del Sistema Terrestre .

El equipo desarrolló su modelo basado en un modelo de aprendizaje no supervisado llamado factorización de matriz negativa, o NMF. El modelo también se ha utilizado para comprender relaciones complejas en campos tan diversos como la astronomía y el comercio electrónico. Como sugiere su nombre, El aprendizaje no supervisado es un tipo de aprendizaje automático que puede encontrar patrones en los datos, como los productos químicos en la corriente, que no han sido etiquetados, o descrito.

"En el aprendizaje no supervisado, buscamos patrones en los datos, por ejemplo, clústeres en los datos y ver qué patrones surgen para poder aprender algo nuevo sobre el conjunto de datos que ya tenemos, "dijo Shaughnessy.

Para probar el modelo, los investigadores recopilaron datos de arroyos recopilados del Observatorio de la Zona Crítica de Shale Hills, un laboratorio viviente establecido en 2007 cerca de State College, Pensilvania, donde los investigadores recopilan datos sobre importantes hidrológicos, Procesos ecológicos y geoquímicos en la cuenca.

"Es un sitio que ha sido operado y financiado por la National Science Foundation durante años, ", dijo Brantley." Hemos realizado muchas mediciones a lo largo de los años allí, por lo que sabemos mucho sobre ese sistema y nuestro conjunto de matemáticas funcionó muy bien para ese sistema, donde sabíamos mucho al respecto ".

El equipo validó el algoritmo utilizando datos de otros dos sitios del país:East River, un gran, cuenca montañosa ubicada cerca del gótico, Colorado, y Hubbard Brook, una serie de nueve pequeños, cuencas hidrográficas boscosas ubicadas en las Montañas Blancas de New Hampshire.

"Fue bueno poder comenzar el proyecto en un lugar de Penn State donde se recopilaba una gran cantidad de datos, financiado por NSF, y luego mudarse a otros sitios que habían sido financiados y mantenidos por otras personas para demostrar que funcionó, ", dijo Brantley." Nos dio diferentes interpretaciones porque la geología y otros factores son diferentes. Pero, la técnica funciona y creo que será una técnica realmente útil que puede ayudar a mucha gente a comprender la química de las corrientes ".

En la actualidad, Los investigadores están utilizando el algoritmo para investigar la química de los arroyos en la región de Marcellus Shale, un área donde el fracking y la minería pueden haber impactado los arroyos.