Ученые СПбГУ создали нейросеть для определения углерода в морях и океанах
Океанологи Санкт-Петербургского государственного университета разработали нейросетевую модель, которая по параметрам состава воды оценивает концентрацию углекислого газа в водоеме.
Алгоритм уже успешно протестирован на данных, полученных в Балтийском море.
Морские растения поглощают растворенный в воде углекислый газ в процессе фотосинтеза, а после отмирания способствуют его долгосрочному хранению в глубинных слоях океана.
Это помогает снижать парниковый эффект, поскольку Мировой океан поглощает около 25 % антропогенных выбросов диоксида углерода.
Однако избыток углерода приводит к закислению водоемов, что разрушает кораллы и раковины, а разложение органики снижает уровень кислорода в придонных слоях, создавая «мертвые зоны».
Балтийское море, будучи мелководным и замкнутым, особенно подвержено этим процессам.
Обилие речного стока и слабый водообмен с океаном провоцируют бурное развитие — «цветение» — цианобактерий, которые усиливают поглощение углерода, но также ухудшают качество воды и расширяют области с дефицитом кислорода.
Это угрожает экосистеме, делая ее уязвимой к дальнейшим климатическим изменениям.
Для измерения углекислого газа в воде океанологи используют показатель парциального давления (pCO₂) — того давления, которое создавал бы газ, если бы он один занимал весь объем.
В океанологии этот параметр показывает, насколько вода насыщена CO₂ 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.
Для нейросети использовали показатели освещенности, температуры и солености водоема, а также глубину перемешанного слоя, взятые из открытой базы экспедиционных данных SOCAT, а также со спутников.
«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», — пояснила доцент кафедры океанологии СПбГУ, лектор Российского общества «Знание» Полина Лобанова.
Как отметила выпускница Санкт-Петербургского университета Софья Кузьмина, машинное обучение использует два типа данных: тренировочные и тестовые.
Первые учат модель определять, каким значениям pCO₂ 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.
Затем модель проверили на тестовой выборке, где она самостоятельно предсказала значения парциального давления на основе новых параметров.
Ученые сравнили ее расчеты с реальными экспедиционными данными, полученными в Балтийском море, и подтвердили корректность системы.
«Мы применяем многослойный перцептрон — нейронную сеть, которая прогнозирует pCO₂, используя несколько скрытых уровней принятия решений. На каждом этапе учитывается вклад различных параметров, что позволяет избежать переобучения, обычно необходимого для таких моделей, и получить объективную оценку», — добавила Софья Кузьмина.
В исследовании также описаны многолетние и сезонные колебания pCO₂ в Балтийском море, эти результаты согласуются с предыдущими работами, что подтверждает корректность модели.