Científicos de la Universidad Estatal de San Petersburgo han creado un modelo de red neuronal que analiza la composición del agua y permite determinar el nivel de dióxido de carbono en un cuerpo de agua. Esto facilita enormemente el seguimiento del estado del ecosistema.
Para medir el dióxido de carbono en el agua, los oceanógrafos utilizan el indicador de presión parcial (pCO ) — la presión que crearía el gas si ocupara todo el volumen solo. En oceanografía, este parámetro muestra qué tan saturada está el agua con CO en comparación con la atmósfera. Los especialistas de la Universidad de San Petersburgo analizaron datos sobre los parámetros del medio ambiente que influyen en la concentración de dióxido de carbono y construyeron un modelo para evaluar la presión parcial utilizando inteligencia artificial.
Al trabajar con la red neuronal, los científicos utilizaron datos sobre el nivel de iluminación, los indicadores de temperatura y la salinidad del agua en el cuerpo de agua, así como información sobre la profundidad de la capa mezclada, obtenida de fuentes abiertas de datos de expedición SOCAT y de satélites.
La universidad informó que el exceso de carbono en el agua conduce a la acidificación de los cuerpos de agua. Esto destruye los corales y las conchas. Y cuando la materia orgánica se descompone, el nivel de oxígeno en las capas inferiores disminuye. Así es como se forman las "zonas muertas". Esto es especialmente pronunciado en el Mar Báltico.
Debido a la gran cantidad de escorrentía fluvial y al débil intercambio con el océano, las cianobacterias se desarrollan activamente en el mar. Absorben mucho carbono, lo que empeora la calidad del agua y aparecen más lugares donde falta oxígeno. Esto amenaza el ecosistema y lo hace más vulnerable al cambio climático.
Creamos mapas de presión parcial para la capa superficial de todo el Mar Báltico, utilizando mediciones reales de los parámetros del agua. Estos mapas permiten evaluar con mayor precisión el parámetro en áreas con mediciones raras, por ejemplo, cerca de las costas de las bahías o en las zonas costeras en el período otoño-invierno. Nuestro modelo proporciona indicadores realistas, confirmados por datos satelitales y de modelos.
Según Sofía Kuzmina, graduada de la Universidad Estatal de San Petersburgo, en el aprendizaje automático se utilizan dos tipos de datos: de entrenamiento y de prueba. Los datos de entrenamiento ayudan al modelo a aprender a determinar a qué valores de pCO corresponden determinados parámetros. Por ejemplo, cuando la temperatura del agua disminuye, la presión parcial puede aumentar, ya que la solubilidad del gas aumenta. El algoritmo memoriza este patrón y lo analiza en combinación con otros factores para aplicarlo eficazmente en el futuro.
Leer materiales sobre el tema:
"Pastores químicos" limpiarán el mar de fuel oil: científicos rusos crean nuevos reactivos
La Academia de Ciencias de Rusia presentó un método biológico para limpiar el Mar Negro de fuel oil
En San Petersburgo se creó un barco no tripulado para estudiar cuerpos de agua