p A dificuldade e o custo da coleta de amostras de água de rios em áreas remotas levaram a uma significativa - e, em alguns casos, décadas - lacunas nos dados de química da água disponíveis, de acordo com uma equipe de pesquisadores liderada pela Penn State. A equipe está usando inteligência artificial (IA) para prever a qualidade da água e preencher as lacunas nos dados. Seus esforços podem levar a uma melhor compreensão de como os rios reagem às perturbações humanas e às mudanças climáticas. p Os pesquisadores desenvolveram um modelo que prevê oxigênio dissolvido (OD), um indicador-chave da capacidade da água de sustentar a vida aquática, em bacias hidrográficas pouco monitoradas nos Estados Unidos. Eles publicaram seus resultados em Ciência e Tecnologia Ambiental .

p Geralmente, a quantidade de oxigênio dissolvido em rios e riachos reflete seus ecossistemas, como certos organismos produzem oxigênio enquanto outros o consomem. O DO também varia de acordo com a estação e a altitude, e as condições climáticas locais da área causam flutuações, também, de acordo com Li Li, professor de engenharia civil e ambiental na Penn State.

p "As pessoas geralmente pensam no OD como sendo impulsionado por processos biológicos e geoquímicos de fluxo, como peixes respirando na água ou plantas aquáticas fazendo OD em dias ensolarados, "Li disse." Mas o clima também pode ser um fator importante. Condições hidrometeorológicas, incluindo temperatura e luz solar, estão influenciando a vida na água, e isso, por sua vez, influencia os níveis de concentração de OD. "

p Dados hidrometeorológicos, que rastreia como a água se move entre a superfície da Terra e a atmosfera, é registrado com muito mais frequência e cobertura espacial do que os dados da química da água, de acordo com Wei Zhi, pesquisador pós-doutorado no Departamento de Engenharia Civil e Ambiental e primeiro autor do artigo. A equipe teorizou que um banco de dados hidrometeorológico nacional, que incluiria medições como temperatura do ar, precipitação e taxa de fluxo da corrente, poderia ser usado para prever as concentrações de OD em áreas remotas.

p "Existem muitos dados hidrometeorológicos disponíveis, e queríamos ver se havia correlação suficiente, mesmo indiretamente, para fazer uma previsão e ajudar a preencher as lacunas de dados de química da água do rio, "Zhi disse.

p O modelo foi criado por meio de uma estrutura de IA conhecida como rede Long Short-Term Memory (LSTM), uma abordagem usada para modelar sistemas naturais de "armazenamento e liberação", de acordo com Chaopeng Shen, professor associado de engenharia civil e ambiental na Penn State.

p "Pense nisso como uma caixa, "Shen disse." Pode levar água e armazená-la em um tanque em certas taxas, enquanto, do outro lado, o libera em taxas diferentes, e cada uma dessas taxas é determinada pelo treinamento. Já o usamos no passado para modelar a umidade do solo, fluxo de chuva, temperatura da água e agora, FAZ."

p Os pesquisadores receberam dados do banco de dados de hidrologia de Atributos de Bacia e Meteorologia para Estudos de Amostras Grandes (CAMELS), que incluiu uma adição recente de dados de química da água do rio de 1980 a 2014 para bacias hidrográficas minimamente perturbadas. Das 505 bacias hidrográficas incluídas no conjunto de dados "CAMELS-chem", a equipe encontrou 236 com o mínimo necessário de dez medições de concentração de OD no intervalo de 35 anos.

p Para treinar a rede LSTM e criar um modelo, eles usaram dados de bacias hidrográficas de 1980 a 2000, incluindo concentrações de OD, medições hidrometeorológicas diárias e atributos de bacias hidrográficas, como topografia, cobertura do solo e vegetação.

p De acordo com Zhi, a equipe então testou a precisão do modelo em relação aos dados de OD restantes de 2001 a 2014, descobrir que o modelo geralmente aprendeu a dinâmica da solubilidade de OD, incluindo como o oxigênio diminui em temperaturas mais quentes da água e em altitudes mais elevadas. Ele também provou ter uma forte capacidade preditiva em quase três quartos dos casos de teste.

p "É uma ferramenta muito forte, "Zhi disse." Ficamos surpresos ao ver o quão bem o modelo aprendeu a dinâmica do OD em muitas condições de bacias hidrográficas diferentes em uma escala continental. "

p Ele acrescentou que o modelo teve melhor desempenho em áreas com níveis de OD mais estáveis ​​e condições de fluxo de água estáveis, mas mais dados seriam necessários para melhorar as capacidades de previsão para bacias hidrográficas com maior OD e variabilidade de fluxo.

p "Se pudermos coletar mais amostras que capturem os altos e baixos níveis de OD, seremos capazes de refletir isso no processo de treinamento e melhorar o desempenho no futuro, "Zhi disse.