• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  Science >> Ciencia >  >> Naturaleza
    Uso de aprendizaje automático para modelar zonas muertas en lagos
    Las aguas del lago Erie parecen brillar de color verde en esta imagen tomada por el espectrorradiómetro de imágenes de resolución moderada (MODIS) del satélite Aqua de la NASA. Crédito:Imagen de la NASA cortesía del equipo de respuesta rápida LANCE/EOSDIS MODIS en el GSFC de la NASA

    Los ecosistemas acuáticos son entornos complejos que pueden verse afectados por muchas variables, incluido el clima, las actividades biológicas de los organismos que viven en ellos y la contaminación antropogénica por nutrientes. La influencia que estas variables puedan tener en los ecosistemas acuáticos también puede depender de las características del cuerpo de agua, como la temperatura y la profundidad. Estos procesos interconectados pueden desequilibrarse con consecuencias devastadoras.



    Para ayudar a anticipar estas consecuencias, un grupo de investigadores de la UConn ha desarrollado un método de modelado informático versátil que utiliza el aprendizaje automático para mejorar los esfuerzos existentes para monitorear y predecir la calidad del agua del lago. El método se publicó recientemente en Environmental Modeling &Software. .

    Marina Astitha, profesora asociada del Departamento de Ingeniería Civil y Ambiental y jefa del Grupo de Modelado Atmosférico y de Calidad del Aire, explica que la investigación tardó cinco años en realizarse y es una colaboración con una ex alumna, Christina Feng Chang '22 Ph.D. como parte de su disertación, y la profesora Penny Vlahos, del Departamento de Ciencias Marinas y jefa del grupo de investigación de Química y Geoquímica Ambiental.

    Los ambientes acuáticos son susceptibles a la eutrofización, un proceso desencadenado por el exceso de nutrientes, principalmente ligado a la escorrentía de fertilizantes de las actividades agrícolas, que llegan a los ecosistemas acuáticos y provocan la proliferación de algas. El aumento del crecimiento y la eventual descomposición de estos materiales vegetales consumen gran parte o todo el oxígeno disponible, en detrimento de otros organismos del medio ambiente.

    Las áreas privadas de oxígeno o hipóxicas se denominan "zonas muertas" y pueden provocar mortalidad de peces, problemas de calidad del agua y otros impactos ambientales y económicos dañinos. Astitha explica que se espera que estos eventos de eutrofización se intensifiquen con el cambio climático y que modelos como este serán más importantes para fines de seguimiento y predicción.

    Los investigadores centraron su estudio en la cuenca central del lago Erie, que ha experimentado floraciones estacionales de algas y eventos de eutrofización durante décadas. La proximidad del lago a grandes áreas agrícolas, donde se utilizan fertilizantes, y a centros metropolitanos, donde la contaminación del aire es una preocupación, presenta un conjunto único de desafíos que el equipo pretendía estudiar.

    Dado que millones de personas dependen del lago Erie para obtener agua, la modelización ha sido y sigue siendo fundamental para controlar la calidad del agua, afirma Astitha.

    "En este momento, los modelos predictivos hacen pronósticos diarios, lo cual es muy importante, especialmente para las personas que viven en estas áreas porque son grandes centros de población. El agua no es sólo para fines recreativos; la gente la usa en su vida diaria. ."

    Sin embargo, Astitha dice que ningún modelo por sí solo puede dar cuenta de todas las variables que afectan la calidad del agua. Para abordar esto, comenzaron a construir modelos de aprendizaje automático para integrar datos de diferentes fuentes y entrenar algoritmos de aprendizaje automático con observaciones en el lago.

    Astitha dice que su primera publicación utilizando este método se centró en el modelado de aprendizaje automático de la clorofila a, un indicador de la biomasa de algas y la eutrofización, y un segundo artículo utilizó la misma metodología pero analizó la contaminación por nutrientes de ríos y arroyos. Este artículo más reciente analiza los procesos físicos y biológicos confinados dentro de un modelo basado en la física para comprender los procesos dinámicos involucrados en los eventos de eutrofización.

    Astitha dice que deben comenzar la construcción del modelo desde cero para cada uno de los procesos que están estudiando, pero es necesario evaluar los diferentes procesos físicos, biológicos, climáticos y humanos que impactan en la eutrofización.

    Chang explica que los procesos de eutrofización comienzan en la primavera, cuando las aplicaciones de fertilizantes en tierras agrícolas seguidas de lluvias pueden arrojar los nutrientes al lago. Durante el verano, las aguas del lago Erie forman tres capas, una más cálida y más cercana a la superficie llamada epilimnion, una capa intermedia que experimenta el cambio más drástico en la temperatura del agua llamada metalimnion y una más profunda y fría llamada hipolimnion.

    La capa de metalimnio alberga la termoclina, donde la temperatura cambia bruscamente. En verano, durante la estratificación, hay poca o ninguna mezcla entre las capas de epilimnion e hipolimnion, lo que significa que las aguas más profundas quedan cada vez más privadas de oxígeno durante todo el verano.

    La cuenca central del lago es propensa a los eventos hipóxicos más severos, y para estudiar estos eventos y comprender qué los impulsa, Astitha explica que el modelo fue diseñado para predecir el oxígeno disuelto (OD), que es un indicador de la hipoxia en el agua, y Utilización aparente de oxígeno (AOU), que es un indicador de la actividad biológica en el ecosistema acuático. Utilizaron 15 años de datos recopilados entre 2002 y 2017 para entrenar el modelo.

    Los resultados fueron buenos, afirma Astitha, y el modelo predijo con precisión las condiciones observadas de OD y AOU. El modelo también identificó que la estratificación térmica, o las capas de temperatura separadas en la columna de agua, era la variable con mayor impacto que impulsaba la eutrofización en el área de estudio.

    "Fue una buena prueba de concepto, porque en el lago hay pocos puntos de datos", afirma Astitha. "Idealmente, cualquier modelo necesitaría una cobertura de lago más extensa, la cual no existe. No es factible con las observaciones puntuales que tenemos. Sin embargo, el modelo funcionó muy bien."

    Modelos como este serán cada vez más importantes para el seguimiento de la calidad del agua y apoyarán la toma de decisiones a medida que el clima siga cambiando. Astitha dice que esperan que condiciones, como el aumento de temperatura, intensifiquen la estratificación, al tiempo que exacerban potencialmente la cantidad de nutrientes que ingresan al lago con eventos de precipitación extrema causados ​​por el cambio climático.

    "Lo que sucede con la hipoxia es que en este sistema natural, de todos modos tienen nitrógeno y fósforo, pero cuando se fertilizan cientos de acres de tierra, parte de ese fertilizante se filtra al agua. Depende de la mezcla o estratificación del lago. , y las condiciones climáticas influyen en ellos. Conceptualmente, creemos que el cambio climático empeorará las cosas, y ahora podemos considerar escenarios futuros hipotéticos con el modelo dentro de las condiciones de las simulaciones climáticas."

    Astitha dice que la investigación futura incluye la aplicación de la metodología a otros ecosistemas marinos o de agua dulce y un análisis más exhaustivo utilizando diferentes datos de proyección del cambio climático para investigar el impacto de los escenarios de cambio climático en la calidad del agua de esos sistemas.

    "Desde mi punto de vista, queríamos crear una herramienta que complementara los modelos que ya realizan esta importante predicción y monitoreo. En la era del aprendizaje automático y la inteligencia artificial, estamos tratando de incorporar esa pieza y ver qué tan útil es. lo que me motivó a iniciar y continuar con este trabajo."

    Más información: C. Feng Chang et al, Evaluación de indicadores físicos y biológicos de oxígeno en lagos utilizando variables ambientales simuladas y algoritmos de aprendizaje automático, Software y modelado ambiental (2024). DOI:10.1016/j.envsoft.2024.106024

    Proporcionado por la Universidad de Connecticut




    © Ciencia https://es.scienceaq.com