Les techniques d'apprentissage automatique peuvent aider les scientifiques à mieux comprendre la chimie complexe des cours d'eau et à surveiller des conditions environnementales plus larges, selon une équipe de chercheurs.

Dans une étude, les chercheurs rendent compte de la nouvelle application d'un algorithme d'apprentissage automatique pour analyser comment la composition chimique des flux change au fil du temps, en se concentrant en particulier sur les fluctuations du dioxyde de carbone dans la chimie délicate et complexe des flux.

Ils ont ajouté que les scientifiques pourraient être en mesure d'utiliser l'algorithme pour étudier le rôle que jouent les flux dans la séquestration du dioxyde de carbone et sa libération dans l'atmosphère. Il est important de comprendre ce processus en raison de l'impact de ce gaz à effet de serre sur le climat mondial.

"La chimie des cours d'eau change avec le temps et comme elle change avec le temps, il peut nous offrir beaucoup d'informations, " a déclaré Susan Brantley, éminent professeur de géosciences à Penn State et affilié à l'Institute for Computational and Data Sciences. "Les flux contiennent également des informations sur la manière dont le dioxyde de carbone est extrait de l'atmosphère, ou repoussé dans l'atmosphère par divers processus. Donc, quand nous regardons la chimie des flux changer avec le temps, nous pouvons en apprendre davantage sur le dioxyde de carbone entrant et sortant de l'atmosphère, liés principalement à des processus naturels, mais aussi dans une certaine mesure avec les processus que les humains provoquent."

L'étude a également montré la relation entre la chimie des roches et la chimie des cours d'eau, dit Andrew Shaughnessy, doctorant en géosciences et premier auteur de l'article.

« Nous avons constaté que les ruisseaux se comportent de manière très similaire à la façon dont les roches se comportent, " dit Shaughnessy. " Alors, nous pouvons utiliser ce processus - cette interaction entre la chimie des flux et la chimie des roches - qui se produit aujourd'hui pour déduire ces processus à long terme. »

Parmi leurs découvertes, les chercheurs ont découvert que les pluies acides, qui sont des pluies inhabituellement acides ou d'autres formes de précipitations, réduisaient la capacité d'un bassin versant à séquestrer le dioxyde de carbone. Par exemple, l'acide sulfurique dans les pluies acides pourrait dissoudre les matériaux de silicate dans le bassin versant, qui affecte alors le processus de séquestration du dioxyde de carbone.

Le défi du suivi de la chimie des flux est sa complexité, c'est pourquoi une méthode d'apprentissage automatique peut être si précieuse, dit Shaughnessy. La riche complexité des flux est un peu une épée à deux tranchants, cependant, suggéra-t-il.

"Ce qui est bien avec les streams, c'est qu'ils intègrent beaucoup de processus différents, afin que vous puissiez mesurer la chimie du flux et en apprendre davantage à leur sujet, " a déclaré Shaughnessy. " Le problème avec les flux, c'est qu'ils intègrent également toutes ces choses. Il existe de nombreuses sources de solutés dans le flux et le grand défi est de pouvoir prendre la chimie du flux et de séparer toutes les différentes sources de solutés pour pouvoir en savoir plus sur les réactions individuelles en cours. Une partie de ce projet consistait à lire la chimie des flux en termes de ces réactions minérales. »

Avant cette méthode, les chercheurs se sont appuyés sur une méthode appelée analyse de mélange de membres terminaux, ou EMMA, interpréter les sources de constitution du flux, mais les variations dans les concentrations et les débits des cours d'eau restaient difficiles à expliquer.

L'apprentissage automatique peut aider à démêler une partie de cette complexité, selon les chercheurs, qui ont rapporté leurs découvertes dans un numéro récent de la revue Hydrologie et sciences du système terrestre .

L'équipe a développé son modèle basé sur un modèle d'apprentissage non supervisé appelé factorisation matricielle négative, ou NMF. Le modèle a également été utilisé pour comprendre des relations complexes dans des domaines aussi divers que l'astronomie et le commerce électronique. Comme son nom l'indique, l'apprentissage non supervisé est un type d'apprentissage automatique qui peut trouver des modèles dans les données, tels que les produits chimiques dans le flux, qui n'ont pas été tagués, ou décrit.

« Dans l'apprentissage non supervisé, nous recherchons des modèles dans les données, par exemple, clusters dans les données et voir quels modèles émergent pour pouvoir apprendre quelque chose de nouveau sur l'ensemble de données que nous avons déjà, " a déclaré Shaughnessy.

Pour tester le modèle, les chercheurs ont recueilli des données sur les cours d'eau recueillies auprès de l'observatoire de la zone critique de Shale Hills, un laboratoire vivant créé en 2007 près du State College, Pennsylvanie, où les chercheurs recueillent des données sur d'importantes données hydrologiques, processus écologiques et géochimiques dans le bassin versant.

"C'est un site qui est exploité et financé par la National Science Foundation depuis des années, " a déclaré Brantley. " Nous avons fait beaucoup de mesures au fil des ans là-bas, donc nous en savons beaucoup sur ce système et notre ensemble de mathématiques a très bien fonctionné pour ce système, où nous en savions beaucoup."

L'équipe a validé l'algorithme en utilisant les données de deux autres sites à travers le pays :East River, un grand, bassin versant montagneux situé près de Gothic, Colorado, et le ruisseau Hubbard, une série de neuf petits, bassins versants boisés situés dans les Montagnes Blanches du New Hampshire.

"C'était une bonne chose de pouvoir démarrer le projet dans un endroit de Penn State où nous avons collecté une énorme quantité de données, financé par la NSF, puis passer à d'autres sites qui avaient été financés et maintenus par d'autres personnes pour montrer que cela fonctionnait, " a déclaré Brantley. " Cela nous a donné des interprétations différentes parce que la géologie et d'autres facteurs sont différents. Mais, la technique fonctionne et je pense que ce sera une technique vraiment utile qui peut aider beaucoup de gens à comprendre la chimie des courants."

Actuellement, les chercheurs utilisent l'algorithme pour étudier la chimie des cours d'eau dans la région de Marcellus Shale, une zone où la fracturation hydraulique et l'exploitation minière peuvent avoir eu un impact sur les cours d'eau.