La difficoltà e la spesa per la raccolta di campioni di acqua fluviale in aree remote ha portato a significativi, e in alcuni casi, decenni:lacune nei dati disponibili sulla chimica dell'acqua, secondo un team di ricercatori della Penn State. Il team sta utilizzando l'intelligenza artificiale (AI) per prevedere la qualità dell'acqua e colmare le lacune nei dati. I loro sforzi potrebbero portare a una migliore comprensione di come i fiumi reagiscono ai disturbi umani e ai cambiamenti climatici.

I ricercatori hanno sviluppato un modello che prevede l'ossigeno disciolto (DO), un indicatore chiave della capacità dell'acqua di sostenere la vita acquatica, in bacini idrografici leggermente monitorati negli Stati Uniti. Hanno pubblicato i loro risultati in Scienze e tecnologie ambientali .

In genere, la quantità di ossigeno disciolto nei fiumi e nei torrenti riflette i loro ecosistemi, poiché alcuni organismi producono ossigeno mentre altri lo consumano. DO varia anche in base alla stagione e all'altitudine, e le condizioni meteorologiche locali della zona causano fluttuazioni, pure, secondo Li Li, professore di ingegneria civile e ambientale alla Penn State.

"La gente di solito pensa che il DO sia guidato da processi biologici e geochimici del flusso, come i pesci che respirano nell'acqua o le piante acquatiche che fanno DO nei giorni di sole, " Li ha detto. "Ma anche il tempo può essere un fattore importante. condizioni idrometeorologiche, compresa la temperatura e la luce solare, stanno influenzando la vita nell'acqua, e questo a sua volta influenza i livelli di concentrazione di DO".

Dati idrometeorologici, che tiene traccia di come l'acqua si muove tra la superficie della Terra e l'atmosfera, viene registrato molto più frequentemente e con una copertura spaziale maggiore rispetto ai dati sulla chimica dell'acqua, secondo Wei Zhi, ricercatore post-dottorato presso il Dipartimento di Ingegneria Civile e Ambientale e primo autore del paper. Il team ha teorizzato che un database idrometeorologico nazionale, che includerebbe misurazioni come la temperatura dell'aria, precipitazioni e portata del flusso, potrebbe essere utilizzato per prevedere le concentrazioni di DO in aree remote.

"Sono disponibili molti dati idrometeorologici, e volevamo vedere se c'era abbastanza correlazione, anche indirettamente, per fare una previsione e aiutare a colmare le lacune nei dati sulla chimica dell'acqua del fiume, " Disse Zhi.

Il modello è stato creato attraverso un framework AI noto come rete Long Short-Term Memory (LSTM), un approccio utilizzato per modellare i sistemi naturali di "stoccaggio e rilascio", secondo Chaopeng Shen, professore associato di ingegneria civile e ambientale alla Penn State.

"Pensalo come una scatola, " Ha detto Shen. "Può prendere l'acqua e conservarla in un serbatoio a determinate velocità, mentre dall'altro rilasciandolo a ritmi diversi, e ciascuna di queste tariffe è determinata dalla formazione. Lo abbiamo usato in passato per modellare l'umidità del suolo, flusso di pioggia, temperatura dell'acqua e ora, FARE."

I ricercatori hanno ricevuto dati dal database idrologico di Catchment Attributes and Meteorology for Large-sample Studies (CAMELS), che includeva una recente aggiunta di dati sulla chimica dell'acqua fluviale dal 1980 al 2014 per bacini idrografici minimamente disturbati. Dei 505 bacini idrografici inclusi nel set di dati "CAMELS-chem", il team ne ha trovati 236 con il minimo necessario di dieci misurazioni della concentrazione di DO nell'arco di 35 anni.

Per addestrare la rete LSTM e creare un modello, hanno utilizzato i dati di spartiacque dal 1980 al 2000, comprese le concentrazioni di DO, misurazioni idrometeorologiche giornaliere e attributi di spartiacque come la topografia, copertura del suolo e vegetazione.

Secondo Zhi, il team ha quindi testato l'accuratezza del modello rispetto ai restanti dati DO dal 2001 al 2014, trovando che il modello aveva generalmente appreso la dinamica della solubilità del DO, compreso il modo in cui l'ossigeno diminuisce a temperature dell'acqua più calde e ad altitudini più elevate. Ha anche dimostrato di avere una forte capacità predittiva in quasi tre quarti dei casi di test.

"È uno strumento davvero forte, " Ha detto Zhi. "Ci ha sorpreso vedere quanto bene il modello abbia appreso le dinamiche del DO in molte diverse condizioni di spartiacque su scala continentale".

Ha aggiunto che il modello ha funzionato meglio in aree con livelli di DO più stabili e condizioni di flusso d'acqua stabili, ma sarebbero necessari più dati per migliorare le capacità di previsione per i bacini idrografici con maggiore DO e variabilità del flusso.

"Se possiamo raccogliere più campioni che catturano gli alti picchi e i bassi minimi dei livelli di DO, saremo in grado di rifletterlo nel processo di formazione e migliorare le prestazioni in futuro, " Disse Zhi.