Svårigheten och kostnaden för att samla flodvattenprover i avlägsna områden har lett till betydande - och i vissa fall decennier långa-luckor i tillgängliga vattenkemidata, enligt ett Penn State-ledt team av forskare. Teamet använder artificiell intelligens (AI) för att förutsäga vattenkvaliteten och fylla luckorna i data. Deras ansträngningar kan leda till en förbättrad förståelse för hur floder reagerar på mänskliga störningar och klimatförändringar.

Forskarna utvecklade en modell som förutsäger upplöst syre (DO), en viktig indikator på vattnets förmåga att stödja vattenlevande liv, i lättövervakade vattendrag i USA. De publicerade sina resultat i Miljövetenskap och teknik .

Rent generellt, mängden syre som löses i floder och vattendrag speglar deras ekosystem, eftersom vissa organismer producerar syre medan andra konsumerar det. DO varierar också beroende på säsong och höjd, och områdets lokala väderförhållanden orsakar fluktuationer, för, enligt Li Li, professor i civil- och miljöteknik vid Penn State.

"Folk brukar tänka på DO som drivs av strömbiologiska och geokemiska processer, som fisk som andas i vattnet eller vattenväxter som gör DO under soliga dagar, "Sade Li." Men vädret kan också vara en viktig drivkraft. Hydrometeorologiska förhållanden, inklusive temperatur och solljus, påverkar livet i vattnet, och detta påverkar i sin tur koncentrationsnivåerna för DO. "

Hydrometeorologiska data, som spårar hur vatten rör sig mellan jordens yta och atmosfären, registreras mycket oftare och med mer rumslig täckning än vattenkemidata, enligt Wei Zhi, postdoktor vid Institutionen för samhälls- och miljöteknik och första författare till uppsatsen. Teamet teoretiserade att en rikstäckande hydrometeorologisk databas, som skulle omfatta mätningar som lufttemperatur, nederbörd och flödeshastighet, kan användas för att förutse DO -koncentrationer i avlägsna områden.

"Det finns många hydrometeorologiska data tillgängliga, och vi ville se om det fanns tillräckligt med samband, även indirekt, att göra en förutsägelse och hjälpa till att fylla i luckorna i flodvattenkemiens data, "Sa Zhi.

Modellen skapades genom ett AI-ramverk som kallas ett Long Short-Term Memory (LSTM) nätverk, ett tillvägagångssätt som används för att modellera naturliga "lagrings- och frisläppande" system, enligt Chaopeng Shen, docent i civil- och miljöteknik vid Penn State.

"Tänk på det som en låda, "Shen sa." Det kan ta i vatten och lagra det i en tank till vissa hastigheter, medan den på andra sidan släpper den i olika takt, och var och en av dessa kurser bestäms av utbildningen. Vi har använt det tidigare för att modellera markfuktighet, regnflöde, vattentemperatur och nu, DO."

Forskarna fick data från Catchment Attributes and Meteorology for Large-sample Studies (CAMELS) hydrologidatabas, som inkluderade ett nytt tillägg av flodvattenkemidata från 1980 till 2014 för minimalt störda vattendrag. Av de 505 vattendrag som ingår i "CAMELS-chem" -uppsättningen, laget hittade 236 med de nödvändiga minst tio DO-koncentrationsmätningarna under 35-årsperioden.

För att träna LSTM -nätverket och skapa en modell, de använde vattendelar från 1980 till 2000, inklusive DO -koncentrationer, dagliga hydrometeorologiska mätningar och vattenskapsattribut som topografi, markskydd och växtlighet.

Enligt Zhi, laget testade sedan modellens noggrannhet mot de återstående DO -uppgifterna från 2001 till 2014, att finna att modellen i allmänhet hade lärt sig dynamiken i DO -löslighet, inklusive hur syre minskar i varmare vattentemperaturer och vid högre höjd. Det visade sig också ha stark förutsägbarhet i nästan tre fjärdedelar av testfall.

"Det är ett riktigt starkt verktyg, "Zhi sa." Det förvånade oss att se hur väl modellen lärde sig DO -dynamik över många olika vattendelarsförhållanden på kontinental skala. "

Han tillade att modellen fungerade bäst i områden med stabilare DO -nivåer och stabila vattenflödesförhållanden, men mer data skulle behövas för att förbättra prognosförmågan för vattendrag med högre DO och strömningsvariation.

"Om vi ​​kan samla fler prover som fångar de höga topparna och låga dalarna av DO -nivåer, vi kommer att kunna återspegla det i träningsprocessen och förbättra prestanda i framtiden, "Sa Zhi.