Akvatiska ekosystem är komplexa miljöer som kan påverkas av många variabler, inklusive väder, de biologiska aktiviteterna hos de organismer som lever inom dem och antropogena näringsföroreningar. Påverkan dessa variabler kan ha på akvatiska ekosystem kan också bero på vattenförekomstens egenskaper, såsom temperatur och djup. Dessa sammankopplade processer kan tippas ur balans med förödande konsekvenser.
För att hjälpa till att förutse dessa konsekvenser har en grupp UConn-forskare utvecklat en mångsidig datormodelleringsmetod som använder maskininlärning för att förbättra befintliga ansträngningar för att övervaka och förutsäga sjövattenkvaliteten. Metoden publicerades nyligen i Environmental Modeling &Software .
Institutionen för byggnads- och miljöteknik och chef för Atmospheric and Air Quality Modeling Group Docent Marina Astitha förklarar att forskningen var fem år på väg och är ett samarbete med en före detta student, Christina Feng Chang '22 Ph.D. som en del av hennes avhandling, och Institutionen för marin vetenskap och chef för forskningsgruppen för miljökemi och geokemi, professor Penny Vlahos.
Vattenmiljöer är mottagliga för övergödning, en process som utlöses av överskott av näringsämnen, mest framträdande knutna till gödselavrinning från jordbruksaktiviteter, som tar sig till vattenekosystem och leder till algblomning. Ökningen i tillväxt och eventuell nedbrytning av dessa växtliknande material förbrukar mycket eller allt tillgängligt syre, till skada för andra organismer i miljön.
Syrefattiga eller hypoxiska områden kallas "döda zoner" och kan leda till fiskdödlighet, vattenkvalitetsproblem och andra skadliga miljömässiga och ekonomiska effekter. Astitha förklarar att dessa övergödningshändelser förväntas intensifieras med klimatförändringarna, och att modeller som denna kommer att bli viktigare för övervaknings- och förutsägelseändamål.
Forskarna fokuserade sin studie på Lake Eries centrala bassäng, som har upplevt säsongsbetonade algblomningar och övergödningshändelser i årtionden. Sjöns närhet till stora jordbruksområden, där gödningsmedel används, och storstadscentra, där luftföroreningar är ett problem, presenterar en unik uppsättning utmaningar som teamet hade som mål att studera.
Med miljontals människor som förlitar sig på Lake Erie för sitt vatten, har modellering varit och fortsätter att vara avgörande för att övervaka vattenkvaliteten, säger Astitha.
"Just nu gör prediktiva modeller dagliga prognoser, vilket är mycket viktigt, särskilt för människorna som bor i dessa områden eftersom de är stora befolkningsnav. Vatten är inte bara för rekreationsändamål; människor använder det i sina dagliga liv ."
Men Astitha säger att ingen enskild modell kan redogöra för alla variabler som påverkar vattenkvaliteten. För att komma till rätta med detta började de bygga maskininlärningsmodeller för att integrera data från olika källor och träna maskininlärningsalgoritmer med observationer i sjön.
Astitha säger att deras första publikation med denna metod fokuserade på maskininlärningsmodellering av klorofyll a, en indikator på algbiomassa och övergödning, och en andra uppsats använde samma metod men tittade på näringsföroreningar från floder och vattendrag. Denna senaste artikel tittar på fysiska och biologiska processer som är begränsade till en fysikbaserad modell för att förstå de dynamiska processer som är involverade i övergödningshändelser.
Astitha säger att de måste börja bygga modell från början för var och en av de processer de studerar, men det är nödvändigt att bedöma de olika fysiska, biologiska, väderrelaterade och mänskliga processerna som påverkar övergödningen.
Chang förklarar att övergödningsprocesser startar på våren när gödseltillförsel på jordbruksmarker följt av regn kan spola ut näringsämnena i sjön. Under sommaren bildar Lake Eries vatten tre lager, ett varmare närmare ytan som kallas epilimnion, ett mellanlager som upplever den mest drastiska vattentemperaturförändringen som kallas metalimnion, och ett djupare, svalare som kallas hypolimnion.
Metallimnionskiktet rymmer termoklinen, där temperaturen ändras abrupt. På sommaren under stratifieringen är det liten eller ingen blandning mellan epilimnion- och hypolimnionlagren, vilket gör att de djupaste vattnen blir allt mer syreberövade under sommaren.
Sjöns centrala bassäng är utsatt för de mest allvarliga hypoxiska händelserna, och för att studera dessa händelser och förstå vad som driver dem, förklarar Astitha att modellen utformades för att förutsäga löst syre (DO), som är en proxy för hypoxi i vattnet, och apparent oxygen utilisation (AOU), som är en proxy för biologisk aktivitet i det akvatiska ekosystemet. De använde 15 års data som samlats in mellan 2002 och 2017 för att träna modellen.
Resultaten var bra, säger Astitha, och modellen förutspådde exakt de observerade DO- och AOU-förhållandena. Modellen identifierade också att termisk skiktning, eller de separata temperaturskikten i vattenpelaren, var den mest påverkande variabeln som ledde till övergödning i deras studieområde.
"Det var ett bra proof of concept eftersom det finns få datapunkter i sjön", säger Astitha. "Helst skulle vilken modell som helst behöva en mer omfattande sjötäckning, vilket inte finns där. Det är inte genomförbart med de punktobservationer vi har. Ändå fungerade modellen väldigt bra."
Modeller som denna kommer att bli allt viktigare för att övervaka vattenkvaliteten och stödja beslutsfattande i takt med att klimatet fortsätter att förändras. Astitha säger att de förväntar sig att förhållanden, såsom temperaturökningar, kommer att intensifiera skiktningen, samtidigt som de potentiellt förvärrar mängden näringsämnen som kommer in i sjön med extrema nederbördshändelser orsakade av klimatförändringar.
"Vad som händer med syrebrist är att i det här naturliga systemet har de kväve och fosfor i sig ändå, men när hundratals hektar mark gödslas, flyter en del av gödselmedlet ut i vattnet. Det beror på blandningen eller skiktningen av sjön , och väderförhållandena påverkar dessa Begreppsmässigt tror vi att klimatförändringar kommer att förvärra saker och ting, och vi kan nu underhålla hypotetiska framtidsscenarier med modellen inom klimatsimuleringsvillkoren."
Astitha säger att framtida forskning inkluderar att tillämpa metoden på andra sötvattens- eller marina ekosystem och en mer grundlig analys med hjälp av olika klimatförändringsprojektionsdata för att undersöka klimatförändringsscenariers inverkan på vattenkvaliteten i dessa system.
"Från min synvinkel ville vi bygga ett verktyg som kompletterar de modeller som redan gör denna viktiga förutsägelse och övervakning. I en tid präglad av maskininlärning och artificiell intelligens försöker vi ta in den biten och se hur användbar den är, vilket motiverade mig att börja och fortsätta detta arbete."
Mer information: C. Feng Chang et al., Att bedöma fysiska och biologiska sjösyreindikatorer med hjälp av simulerade miljövariabler och maskininlärningsalgoritmer, Environmental Modeling &Software (2024). DOI:10.1016/j.envsoft.2024.106024
Tillhandahålls av University of Connecticut
