Le tecniche di apprendimento automatico possono aiutare gli scienziati a comprendere meglio l'intricata chimica dei flussi e monitorare condizioni ambientali più ampie, secondo un team di ricercatori.

In uno studio, i ricercatori riferiscono sulla nuova applicazione di un algoritmo di apprendimento automatico per analizzare come la composizione chimica dei flussi cambia nel tempo, concentrandosi in particolare sulle fluttuazioni dell'anidride carbonica nella chimica dei flussi delicati e complessi.

Hanno aggiunto che gli scienziati potrebbero essere in grado di utilizzare l'algoritmo per studiare il ruolo svolto dai flussi nel sequestrare l'anidride carbonica e nel rilasciarla nuovamente nell'atmosfera. Comprendere questo processo è importante a causa dell'impatto che questo gas serra ha sul clima globale.

"La chimica dei flussi cambia con il tempo e come cambia con il tempo, può offrirci molte informazioni, " ha detto Susan Brantley, illustre professore di geoscienze presso la Penn State e un affiliato dell'Institute for Computational and Data Sciences. "I flussi hanno anche informazioni su come l'anidride carbonica viene estratta dall'atmosfera, o respinti nell'atmosfera da una varietà di processi. Così, quando osserviamo la chimica del flusso che cambia con il tempo, possiamo saperne di più sull'anidride carbonica che entra ed esce dall'atmosfera, legati principalmente ai processi naturali, ma anche in una certa misura con i processi causati dagli esseri umani".

Lo studio ha anche mostrato la relazione tra la chimica delle rocce e la chimica dei flussi, disse Andrew Shaughnessy, dottorando in geoscienze e primo autore del paper.

"Abbiamo scoperto che i flussi si comportano in modo molto simile al modo in cui si comportano le rocce, " disse Shaughnessy. "Allora, possiamo usare questo processo, questa interazione tra la chimica del flusso che si abbina alla chimica della roccia, che sta accadendo oggi per dedurre questi processi a lungo termine".

Tra le loro scoperte, i ricercatori hanno scoperto che la pioggia acida, che è insolitamente pioggia acida o altre forme di precipitazione, riduce la capacità di un bacino idrografico di sequestrare l'anidride carbonica. Per esempio, l'acido solforico nelle piogge acide potrebbe dissolvere i materiali silicati nello spartiacque, che poi influenza il processo di sequestro dell'anidride carbonica.

La sfida del monitoraggio della chimica del flusso è la sua complessità, ecco perché un metodo di apprendimento automatico può essere così prezioso, disse Shaughnessy. La ricca complessità dei flussi è un po' un'arma a doppio taglio, però, Lui suggerì.

"L'aspetto positivo degli stream è che integrano molti processi diversi, in modo da poter misurare la chimica del flusso e conoscerli, " Shaughnessy ha detto. "Il problema con i flussi è che integrano anche tutte queste cose. Ci sono molte fonti di soluti nel flusso e la grande sfida è essere in grado di prendere la chimica del flusso e separare tutte le diverse fonti di soluti per essere in grado di conoscere le singole reazioni in atto. Parte di questo progetto era leggere la chimica del flusso in termini di queste reazioni minerali".

Prima di questo metodo, i ricercatori si sono basati su un metodo chiamato analisi della miscelazione dei membri finali, o EMMA, interpretare le fonti di composizione del torrente, ma le variazioni nelle concentrazioni e negli scarichi dei corsi d'acqua sono rimaste difficili da spiegare.

L'apprendimento automatico può aiutare a svelare parte di questa complessità, secondo i ricercatori, che hanno riportato le loro scoperte in un recente numero della rivista Scienze dell'idrologia e del sistema terrestre .

Il team ha sviluppato il proprio modello basato su un modello di apprendimento non supervisionato chiamato fattorizzazione a matrice negativa, o NMF. Il modello è stato utilizzato anche per comprendere relazioni complesse in campi diversi come l'astronomia e l'e-commerce. Come suggerisce il nome, l'apprendimento non supervisionato è un tipo di apprendimento automatico in grado di trovare modelli nei dati, come le sostanze chimiche nel flusso, che non sono stati etichettati, o descritto.

"Nell'apprendimento non supervisionato, cerchiamo modelli nei dati, Per esempio, cluster nei dati e vedere quali modelli emergono per essere in grado di imparare qualcosa di nuovo sul set di dati che già abbiamo, " disse Shaughnessy.

Per testare il modello, i ricercatori hanno raccolto i dati di flusso raccolti dallo Shale Hills Critical Zone Observatory, un laboratorio vivente fondato nel 2007 vicino allo State College, Pennsylvania, dove i ricercatori raccolgono dati su importanti fattori idrologici, processi ecologici e geochimici nello spartiacque.

"È un sito che è stato gestito e finanziato dalla National Science Foundation per anni, " ha detto Brantley. "Abbiamo effettuato molte misurazioni nel corso degli anni lì, quindi sappiamo molto su quel sistema e la nostra serie di calcoli ha funzionato davvero alla grande per quel sistema, dove ne sapevamo molto".

Il team ha convalidato l'algoritmo utilizzando dati provenienti da altri due siti in tutto il paese:East River, un grande, spartiacque montuoso situato nei pressi di Gotico, Colorado, e Hubbard Brook, una serie di nove piccoli, bacini idrografici boschivi situati nelle White Mountains del New Hampshire.

"È stata una bella cosa poter avviare il progetto in un luogo della Penn State dove abbiamo raccolto un'enorme quantità di dati, finanziato da NSF, e poi passare ad altri siti che erano stati finanziati e gestiti da altre persone per dimostrare che funzionava, " ha detto Brantley. "Ci ha dato interpretazioni diverse perché la geologia e altri fattori sono diversi. Ma, la tecnica funziona e penso che sarà una tecnica davvero utile che può aiutare molte persone a capire la chimica del flusso".

Attualmente, i ricercatori stanno usando l'algoritmo per studiare la chimica del flusso nella regione di Marcellus Shale, un'area in cui il fracking e l'estrazione mineraria potrebbero aver avuto un impatto sui corsi d'acqua.