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, сообщили 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 два 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.

https://nauka.tass.ru/nauka/23663647