Maskininlärningstekniker kan hjälpa forskare att bättre förstå den invecklade kemin i strömmar och övervaka bredare miljöförhållanden, enligt ett team av forskare.

I en studie, forskarna rapporterar om den nya tillämpningen av en maskininlärningsalgoritm för att analysera hur den kemiska sammansättningen av strömmar förändras över tiden, särskilt med fokus på fluktuationerna av koldioxid i den känsliga och komplexa strömkemin.

De tillade att forskare kanske kan använda algoritmen för att studera rollen som strömmar spelar för att binda koldioxid och släppa ut den tillbaka till atmosfären. Att förstå denna process är viktigt på grund av den inverkan denna växthusgas har på det globala klimatet.

"Bäckarnas kemi förändras med tiden och när den förändras med tiden, det kan ge oss mycket information, sa Susan Brantley, framstående professor i geovetenskap vid Penn State och en filial till Institute for Computational and Data Sciences. "Strömmar har också information om hur koldioxid dras ut ur atmosfären, eller trycks tillbaka till atmosfären av en mängd olika processer. Så, när vi ser på strömkemin som förändras med tiden, vi kan lära oss mer om koldioxid som går in och ut ur atmosfären, mest relaterat till naturliga processer, men också till viss del med processer som människor orsakar."

Studien visade också sambandet mellan bergskemi och strömkemi, sa Andrew Shaughnessy, doktorand i geovetenskap och första författare till uppsatsen.

"Vi fann att bäckarna beter sig väldigt likt det sätt som stenarna beter sig, " sa Shaughnessy. "Så, vi kan använda den här processen - detta samspel mellan strömkemi som matchar bergskemi - som sker idag för att dra slutsatser om dessa långsiktiga processer."

Bland deras upptäckter, forskarna fann att surt regn - vilket är ovanligt surt regn eller andra former av nederbörd - minskade en vattendelars förmåga att binda koldioxid. Till exempel, svavelsyra i surt regn kan lösa silikatmaterial i vattendelaren, vilket sedan påverkar koldioxidbindningsprocessen.

Utmaningen med att övervaka strömkemi är dess komplexitet, det är därför en maskininlärningsmetod kan vara så värdefull, sa Shaughnessy. Den rika komplexiteten hos strömmar är lite av ett tvåegigt svärd, dock, han föreslog.

"Det som är bra med strömmar är att de integrerar många olika processer, så att du kan mäta strömkemin och lära dig om dem, "Shaughnessy sa. "Problemet med strömmar är att de också integrerar alla dessa saker. Det finns många källor till lösta ämnen i strömmen och den stora utmaningen är att kunna ta strömkemin och separera alla olika källor till lösta ämnen för att kunna lära sig om individuella reaktioner som äger rum. En del av detta projekt var att läsa strömkemin i termer av dessa mineralreaktioner."

Före denna metod, forskare förlitade sig på en metod som kallas slutelementblandningsanalys, eller EMMA, att tolka källorna till strömmen, men variationer i bäckkoncentrationer och utsläpp var fortfarande svåra att förklara.

Maskininlärning kan hjälpa till att reda ut en del av den komplexiteten, enligt forskarna, som rapporterade sina fynd i ett färskt nummer av tidskriften Hydrologi och geosystemvetenskap .

Teamet utvecklade sin modell baserad på en oövervakad inlärningsmodell som kallas on-negative matrix factorization, eller NMF. Modellen har också använts för att förstå komplexa samband inom så olika områden som astronomi och e-handel. Som namnet antyder, oövervakad inlärning är en typ av maskininlärning som kan hitta mönster i data, såsom kemikalierna i strömmen, som inte har taggats, eller beskrivs.

"I oövervakat lärande, vi letar efter mönster i data, till exempel, klustrar i datan och se vilka mönster som dyker upp för att kunna lära sig något nytt om datamängden som vi redan har, sa Shaughnessy.

För att testa modellen, forskarna samlade strömdata som samlats in från Shale Hills Critical Zone Observatory, ett levande laboratorium etablerat 2007 nära State College, Pennsylvania, där forskare samlar data om viktiga hydrologiska, ekologiska och geokemiska processer i vattendelaren.

"Det är en webbplats som har drivits och finansierats av National Science Foundation i flera år, " sa Brantley. "Vi har gjort många mätningar under åren där så vi vet mycket om det systemet och vår matteuppsättning fungerade riktigt bra för det systemet, där vi visste mycket om det."

Teamet validerade algoritmen med hjälp av data från två andra platser runt om i landet - East River, en stor, bergig vattendelare belägen nära gotisk, Colorado, och Hubbard Brook, en serie om nio små, skogklädda vattendelar belägna i Vita bergen i New Hampshire.

"Det var en trevlig sak att kunna starta projektet på en plats i Penn State där vi hade en enorm mängd data som samlades in, finansierat av NSF, och flytta sedan till andra webbplatser som hade finansierats och underhållits av andra människor för att visa att det fungerade, ", sa Brantley. "Det gav oss olika tolkningar eftersom geologin och andra faktorer är olika. Men, tekniken fungerar och jag tror att det kommer att bli en riktigt användbar teknik som kan hjälpa många människor att förstå strömkemi."

För närvarande, forskare använder algoritmen för att undersöka strömkemi i Marcellus Shale-regionen, ett område där fracking och gruvdrift kan ha påverkat vattendrag.