НОВОСТИ / РОССИЯОна упростит процесс наблюдения за состоянием экосистемы, рассказали в Санкт-Петербургском государственном университете.
САНКТ-ПЕТЕРБУРГ, 11 апреля. Ученые Санкт-Петербургского государственного университета (СПбГУ) разработали нейросетевую модель, которая по параметрам состава воды оценивает концентрацию углекислого газа в водоеме. Она упростит процесс наблюдения за состоянием экосистемы, рассказали в пресс-службе вуза.
«Для измерения углекислого газа в воде океанологи используют показатель парциального давления (pCO) — того давления, которое создавал бы газ, если бы он один занимал весь объем. В океанологии этот параметр показывает, насколько вода насыщена CO по сравнению с атмосферой. Специалисты Санкт-Петербургского университета проанализировали данные о параметрах среды, влияющих на концентрацию углекислого газа, и построили модель для оценки парциального давления с использованием искусственного интеллекта», — говорится в сообщении.
Уточняется, что для нейросети ученые использовали показатели освещенности, температуры и солености водоема, а также глубину перемешанного слоя, взятые из открытой базы экспедиционных данных SOCAT, а также со спутников.
Как рассказали в университете, избыток углерода приводит к закислению водоемов, что разрушает кораллы и раковины, а разложение органики снижает уровень кислорода в придонных слоях, создавая «мертвые зоны». Особенно подвержено этим процессом Балтийское море. Обилие речного стока и слабый водообмен с океаном провоцируют бурное развитие — «цветение» — цианобактерий, которые усиливают поглощение углерода, а также ухудшают качество воды и расширяют области с дефицитом кислорода. Это угрожает экосистеме, делая ее уязвимой к дальнейшим климатическим изменениям.
«Мы создали карты парциального давления для поверхностного слоя всего Балтийского моря, используя реальные измерения параметров воды. Такие карты позволяют точнее оценить параметр в районах с редкими замерами — например, у берегов заливов или в прибрежных зонах в осенне-зимний период. Наша модель дает реалистичные показатели, подтвержденные спутниковыми и модельными данными», — привели в пресс-службе слова доцента кафедры океанологии СПбГУ Полины Лобановой.
По словам выпускницы СПбГУ Софьи Кузьминой, машинное обучение использует 2 типа данных: тренировочные и тестовые. Первые учат модель определять, каким значениям pCO соответствуют заданные параметры. Например, при понижении температуры воды парциальное давление может возрасти, поскольку растворимость газа увеличивается. Алгоритм запоминает эту зависимость и анализирует ее в сочетании с другими факторами, чтобы эффективно использовать в дальнейшем.