septiembre 20, 2021

ChitChat Post España

Mundo De Noticias Completo

El algoritmo ayuda a verificar los vínculos entre la química de la corriente y el medio ambiente.

5 min read

Crédito: Michael Browning / Unsplash

Las técnicas de aprendizaje automático pueden ayudar a los científicos a comprender mejor la compleja química de los flujos y monitorear condiciones ambientales más amplias, según un equipo de investigadores.


En un estudio, los investigadores informan sobre la nueva aplicación de un algoritmo de aprendizaje automático para analizar cómo la composición química de las corrientes ha cambiado con el tiempo, con un enfoque particular en las fluctuaciones de dióxido de carbono en la química fina y compleja de la corriente.

Agregaron que los científicos podrían usar el algoritmo para estudiar el papel que juegan las corrientes en la captura de dióxido de carbono y su devolución a la atmósfera. Comprender este proceso es importante debido al efecto que tiene este gas de efecto invernadero en el clima global.

“La química de las corrientes cambia con el tiempo y, a medida que cambia con el tiempo, puede brindarnos mucha información”, dijo Susan Brantley, profesora distinguida de Ciencias de la Tierra en Penn State y asociada del Instituto de Ciencias de la Computación y Datos. “Las tablas también contienen información sobre cómo el CO2 se extrae de la atmósfera o se devuelve a la atmósfera a través de una variedad de procesos. Por lo tanto, cuando observamos la química de la corriente que varía en el tiempo, podemos aprender más sobre el CO2 que va dentro y fuera de la Atmósfera, se relaciona principalmente con procesos naturales, pero también en cierta medida con procesos inducidos por el hombre “.

Andrew Shaunessy, candidato a doctorado en ciencias de la Tierra y primer autor del artículo, dijo que el estudio también mostró la relación entre la química de las rocas y la química de los arroyos.

“Descubrimos que los arroyos se comportan de manera muy similar a la forma en que se comportan las rocas”, dijo Shaunessy. “Entonces, podemos usar este proceso, esta interacción entre la química de la corriente correspondiente a la química de la roca, que está sucediendo hoy para inferir estos procesos de largo alcance”.

Los investigadores encontraron esto entre sus descubrimientos. lluvia ácidaLa lluvia inusualmente ácida u otras formas de precipitación redujeron la capacidad de la cuenca para secuestrar dióxido de carbono. Por ejemplo, el ácido sulfúrico en la lluvia ácida puede disolver materiales de silicato en las cuencas hidrográficas, lo que luego afecta el proceso de secuestro de dióxido de carbono.

El desafío de observar la química de la corriente es su complejidad, razón por la cual un método de aprendizaje automático Podría ser de gran valor, dijo Shaunsy. Sin embargo, sugirió que la rica complejidad de las corrientes es una especie de espada de doble filo.

“Lo bueno de los flujos es que integran muchos procesos diferentes, por lo que puede medir y aprender sobre la química de la corriente”, dijo Shawnessy. “El problema con las corrientes es que también combinan todas estas cosas. Hay muchas fuentes de solutos en la corriente y el gran desafío es poder tomar la química de la corriente y separar todas las diferentes fuentes de solutos para poder para tener una idea de las reacciones individuales que suceden. Parte de ese proyecto fue leer la corriente química con respecto a estas interacciones metálicas “.

Antes de este método, los investigadores confiaban en un método llamado análisis de mezcla de órganos terminales, o EMMA, para explicar las fuentes de formación de corrientes, pero las diferencias en las concentraciones de flujo y descarga seguían siendo difíciles de explicar.

El aprendizaje automático podría ayudar a descubrir algo de esta complejidad, según los investigadores, que informan sus hallazgos en una edición reciente de la revista. Hidrología y Ciencias del Sistema Terrestre.

El equipo desarrolló su modelo basado en un modelo de aprendizaje no supervisado llamado Factor de Matriz Negativa o NMF. El modelo también se ha utilizado para comprender relaciones complejas en campos tan diversos como la astronomía y el comercio electrónico. Como sugiere su nombre, el aprendizaje no supervisado es una especie de aprendizaje automático Puede encontrar patrones en los datos, como los productos químicos en el flujo, que no están etiquetados ni descritos.

“En el aprendizaje no supervisado, buscamos patrones en los datos, por ejemplo, grupos en los datos y vemos patrones que surgen para poder aprender algo nuevo sobre el conjunto de datos que ya tenemos”, dijo Shaunessy.

Para probar el modelo, los investigadores combinaron datos de flujo recopilados del Observatorio de la Zona Crítica de Rocky Hills, un laboratorio viviente establecido en 2007 cerca de State College, Pensilvania, donde los investigadores recopilan datos sobre importantes procesos hidrológicos, ecológicos y geoquímicos en la cuenca.

“Es un sitio que ha sido operado y financiado por la National Science Foundation durante años”, dijo Brantley. “Hemos realizado muchas mediciones a lo largo de los años, por lo que sabemos mucho sobre este sistema y nuestro grupo de matemáticas ha funcionado muy bien para este sistema, ya que sabíamos mucho sobre él”.

El equipo validó el algoritmo utilizando datos de otros dos sitios en todo el país: el East River, una gran cuenca montañosa ubicada cerca de Gothic, Colorado, y Hubbard Brook, una cadena de nueve pequeñas cuencas forestales ubicadas en las Montañas Blancas de New Hampshire.

“Fue agradable poder comenzar el proyecto en un lugar en Pensilvania donde teníamos una gran cantidad de datos recolectados y financiados por la National Science Foundation, y luego pasar a otros sitios que fueron financiados y mantenidos por otras personas para verlo “, dijo Brantley. diferente porque la geología y otros factores son diferentes. Pero la tecnología funciona y creo que sería una tecnología realmente útil que podría ayudar a mucha gente a comprender la química del flujo “.

Actualmente, los investigadores utilizan el algoritmo para investigar el flujo. química En Marcellus Shale, un área donde el fracking y la minería pueden tener un impacto en las vías fluviales.


El método de monitoreo de metano revela altos niveles en Pennsylvania Stream


más información:
Andrew R. Shaughnessy et al, Machine Learning descifra CO2 Aislamiento y rutas de flujo subterráneas de la química de la corriente, Hidrología y Ciencias del Sistema Terrestre (2021). DOI: 10.5194 / hess-25-3397-2021

Introducción de
Universidad Penn State

La frase: El algoritmo ayuda a investigar las conexiones entre la química del flujo y el medio ambiente (2021, 3 de agosto). Recuperado el 3 de agosto de 2021 de https://phys.org/news/2021-08-algorithm-probe-stream-chemistry-environment.html

Este documento está sujeto a derechos de autor. Sin perjuicio de cualquier trato justo con el propósito de estudio o investigación privada, ninguna parte puede ser reproducida sin permiso por escrito. El contenido se proporciona únicamente con fines informativos.

READ  Los secretos geológicos de Venus revelados por la tectónica del 'paquete de hielo'

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *