用AI算法“读懂”海洋酸碱度!神经网络帮摸清墨西哥湾的“脾气”

360影视 2024-11-30 23:48 4

摘要:近年来,人类活动对地球环境的影响日益显现,尤其是二氧化碳排放对海洋生态系统的冲击愈加明显。海水吸收了大量的二氧化碳后会形成碳酸,从而降低pH值,这种被称为“海洋酸化”的现象会对海洋生态系统造成深远影响,比如威胁珊瑚礁、贝类和其他海洋生物的生存。通过监测酸碱度,

本文来源于“海洋与湿地”(OceanWetlands):

作者:王芊佳

本文约2400字,阅读约5分钟


近年来,人类活动对地球环境的影响日益显现,尤其是二氧化碳排放对海洋生态系统的冲击愈加明显。海水吸收了大量的二氧化碳后会形成碳酸,从而降低pH值,这种被称为“海洋酸化”的现象会对海洋生态系统造成深远影响,比如威胁珊瑚礁、贝类和其他海洋生物的生存。通过监测酸碱度,科学家能够更好地评估气候变化对海洋健康的影响,并为保护海洋生态提供科学依据。



图1展示了用于开发GOM-NNpH算法的GOMECC站点。神经网络训练数据集包括以深蓝色表示的GOMECC瓶样数据(其中70%的数据用于训练,15%用于验证,15%用于测试),而“坦帕线”GOMECC站点则被手动保留,用于独立验证神经网络的表现,标示为橙色。每个算法训练和验证所用的瓶样观察数据数量汇总在表2中。图中灰色表示的是2021年9月至2023年10月期间收集的共205个浮标剖面数据,其中深灰色表示含有有效传感器pH值测量数据的浮标子集(n = 103)。黑线标示了1,000米等深线,这是本研究中定义的“开放墨西哥湾”水柱深度阈值。图源 | Osborne, Xu, Soden, McWhorter, Barbero and Wanninkhof.

“海洋与湿地”(OceanWetlands)小编注意到,2024年11月18日,美国国家海洋和大气管理局(NOAA)的大西洋海洋与气象实验室研究团队在《海洋科学前沿》期刊上发表了一篇重要研究。这篇文章名为《用生物地球化学Argo浮标量化墨西哥湾海水酸碱度的神经网络算法》,通过一种全新的神经网络算法,解决了墨西哥湾深水区域海水酸碱度长期难以监测的难题,为海洋科学研究提供了新工具。

墨西哥湾是一个非常特别的地方,既是海洋生物的天堂,也是气候研究的重点区域。这一区域对气候变化的敏感性也尤为显著。如,2010年的“深水地平线”石油泄漏事件(Deepwater Horizon oil spill)暴露出墨西哥湾缺乏基础环境数据的窘境,使得科学家无法全面评估泄漏事件对海洋生物地球化学的影响。

长期以来,这片海域的深水部分(超过1000米深)的海水酸碱度数据很少。过去,科学家主要依靠研究船采集数据,这种方法虽然精确,但覆盖范围小、成本高、时间周期长。后来,生物地球化学Argo浮标(简称BGC-Argo浮标)的出现,成为一种更先进的监测工具。它像一个长期潜伏在海里的机器人,可以自动记录海水的温度、盐度、氧气、酸碱度等数据。不过,这些浮标的酸碱度传感器并不总是可靠,有时数据会有偏差,需要后期的复杂处理才能使用。

为了解决这个问题,NOAA的研究团队特别开发了一种专门针对墨西哥湾的“神经网络算法,他们给这个算法起了个名字,叫“墨西哥湾神经网络酸碱度算法”(简称GOM-NNpH)。简单来说,这套算法可以通过已有的高精度数据,重新分析浮标的数据,让它更加准确。这就好比用一个特别聪明的“校对员”给浮标的数据纠错,不仅让它更可信,还能帮助我们更好地了解这片海域的动态变化。

研究团队开发这套算法的时候,用了一个叫“墨西哥湾生态与碳巡航”(简称GOMECC)的项目数据。这个项目从2007年开始,每四年就会派出船只采集一次高质量的气候数据,这些数据覆盖了海水温度、盐度、氧气、硝酸盐等内容,尤其是酸碱度数据,误差可以控制在0.003以内,非常精确。团队用这些数据“教”神经网络算法如何分析浮标的数据,还拿它跟世界上两种流行的算法做了对比。结果发现,这套专为墨西哥湾“量身定制”的算法,比其他算法更适合这里复杂的海洋环境。特别是在受海流影响明显的地方,这套算法的表现更加出色。

有了这套算法,研究团队分析了墨西哥湾两年内的浮标数据,生成了一套非常详细的酸碱度变化记录。这些记录填补了以往观测的空白,帮助科学家更好地理解墨西哥湾的碳循环和海洋酸化问题。值得一提的是,墨西哥湾的特殊环境,比如密西西比河流入的淡水和独特的环流系统,也让这套算法表现得更加“本地化”。相比之下,那些“放之四海而皆准”的算法就显得有点水土不服了。

这项研究不仅解决了墨西哥湾的问题,还为全球其他类似海域的研究提供了一个好方法。估计将来应用起来还可以推而广之——科学家可以把这种技术推广到其他边缘海,比如我国的南海,或者其他海洋观测困难的地方。同时,随着浮标技术的改进,这套算法还可以用在更多的海洋监测项目里,让科学家能够更清楚地了解海洋酸化的整体趋势。

感兴趣的“海洋与湿地”(OceanWetlands)读者可以参看该研究的原文:

Osborne E, Xu Y-Y, Soden M, McWhorter J, Barbero L and Wanninkhof R (2024) A neural network algorithm for quantifying seawater pH using Biogeochemical-Argo floats in the open Gulf of Mexico. Front. Mar. Sci. 11:1468909.

doi: 10.3389/fmars.2024.1468909

https://www.frontiersin.org/journals/marine-science/articles/10.3389/fmars.2024.1468909/full

上图:极度濒危的极度濒危的圆犁头鳐。©摄影:王敏幹(John MK Wong)


(注:本文仅代表资讯,不代表海湿平台观点。欢迎留言、讨论。)

资讯源 | Osborne, Xu, Soden, McWhorter, Barbero and Wanninkhof
编译 | 王芊佳

编辑 | 绿茵

排版 | 绿叶

思考题·举一反三

QUESTIONS & CRITICAL THINKING

【Q1】如何平衡新技术与传统观测方法的结合,以确保数据的准确性和广泛覆盖?毕竟,在BGC-Argo浮标等新技术提供更大空间覆盖率和实时数据的同时,传统船舶观测数据仍被认为是“气候质量”的金标准。科学界该如何作,才能有效整合两者的优势、来完善全球海洋监测体系?


【Q2】墨西哥湾的观测空白曾在深水地平线石油泄漏事件中暴露无遗。类似的边缘海域数据缺失是否会成为未来气候变化应对的重大短板,我们又该如何针对这些关键区域进行优先监测?换句话说,边缘海域观测的不足会如何影响人类应对气候变化和环境灾害的能力?


【Q3】尽管区域化神经网络算法在特定海域表现优异,但面对全球范围内的气候变化与多样化的生态系统,这种本地化方法是否会限制其推广潜力?科学家是否应进一步优化算法以适应更广泛的应用场景?考虑到区域化算法在处理复杂海洋环境中的作用,你认为,是否足以应对全球变化的挑战呢?


【Q4】墨西哥湾等边缘海域具有独特的水文和生态动态。当前的区域化算法表现出对局地特征的优越适应性,而全球化算法则更适合大范围趋势预测。在区域特性与全球背景的交汇处,如何建立兼容的算法体系以提高观测精度与适用性?也就是说,如何通过整合区域化和全球化算法,优化边缘海域复杂物理与生物地球化学过程的观测与预测?


【Q5】自主浮标传感器的质量控制过程暴露出诸多挑战,如传感器漂移和校正方法的不一致性。未来技术开发是否可以从硬件改进、校准算法优化或机器学习建模等多层面协同推进,以有效应对“pH泵偏移”等不确定因素、实现高精度和稳定性的突破。

王芊佳.神经网络帮忙,摸清墨西哥湾的“脾气”.海洋与湿地.2024-11-30

来源:中国绿发会

相关推荐