تحليل نقص الأكسجين في المحيطات: يدمج مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ التعلم الآلي ورسم الخرائط عبر الأقمار الصناعية لإصدار إطار عمل شامل للنمذجة للأكسجين المذاب على سطح البحر العالمي
قبل سنوات عديدة، اكتشف خبير الأحياء البحرية إريك برينس شذوذًا أثناء تعقب علامات الأسماك: عادةً ما تغوص أسماك المارلن الأزرق إلى عمق 800 متر للصيد في جنوب شرق الولايات المتحدة، لكنها تتحرك فقط على سطح المحيط في مياه كوستاريكا.لماذا توقف المارلن الخبير في الغوص فجأة عن الغوص؟قرر إريك برينس، وهو باحث متخصص في أسماك المنقار منذ فترة طويلة، التحقيق في هذه الشذوذ.
في الواقع، هذه استجابة دفاعية ذاتية للكائنات البحرية في مواجهة التغيرات في البيئة البحرية، وقد ساهم استكشاف إريك برينس هذه المرة في لفت انتباه الجمهور إلى ظاهرة "نقص الأكسجين في المحيط" التي تكمن وراء هذه الظاهرة.ويرجع ذلك على وجه التحديد إلى أن محتوى الأكسجين في المياه العميقة في كوستاريكا يتناقص وتتوسع المنطقة التي تعاني من نقص الأكسجين تدريجيًا، مما يضطر أسماك المارلن إلى التحرك على السطح لتجنب الاختناق.
المناطق التي مات فيها عدد كبير من الكائنات البحرية بسبب نقص الأكسجين تسمى عادة "المناطق الميتة" في المحيط.لكن في الواقع، فإن التأثير السلبي لنقص الأكسجين في المحيطات لا يقتصر على الحياة البحرية نفسها، بل يؤثر أيضًا على مصائد الأسماك وحتى الاقتصاد الاجتماعي.في الوقت الحاضر، ومع تفاقم المشاكل البيئية العالمية، أصبح نقص الأكسجين في المحيطات أكثر خطورة.
في عام 2019، ذكر الاتحاد العالمي لحفظ الطبيعة (IUCN) في تقريره عن نقص الأكسجين البحري أن المناطق البحرية الحالية ذات تركيزات الأكسجين المنخفضة آخذة في التوسع. وبالمقارنة بـ 45 منطقة بحرية تعاني من نقص الأكسجين في ستينيات القرن العشرين، يوجد الآن أكثر من 600 منطقة تعاني من ظروف نقص الأكسجين. ويذكر التقرير أنه خلال نفس الفترة،لقد زادت كمية المياه التي تعاني من نقص الأكسجين في محيطات العالم بمقدار أربعة أضعاف.
ومن أجل الحفاظ على صحة النظم البيئية البحرية بشكل أفضل وحماية موارد مصايد الأسماك، من الأهمية بمكان إجراء قياسات علمية لمستويات الأكسجين المذاب في المحيطات.
ومع ذلك، فإن التكلفة الحالية للملاحظات الميدانية في المحيط مرتفعة، كما أن بيانات المراقبة الموجودة غير موزعة بالتساوي في الفضاء، كما أن أساليب قياس تركيز الأكسجين المذاب متنوعة، وبالتالي فإن جودة البيانات التي يتم الحصول عليها تختلف أيضًا بشكل كبير. وقد جلبت كل هذه الأحداث تحديات معينة لدراسة التغيرات في مستويات الأكسجين المذاب في المحيط العالمي.
وردًا على ذلك، اقترح باحثون من مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ طريقة جديدة تجمع بين تكنولوجيا التعلم الآلي ومنتجات الأقمار الصناعية.تم تطوير إطار عمل شامل لنمذجة الأكسجين المذاب على سطح البحر العالمي DOsurface-Pred Framework، وتم إنشاء مجموعة بيانات واسعة النطاق للأكسجين المذاب على سطح البحر SSDO تغطي الفترة من 2010 إلى 2018 بناءً على هذا الإطار.وتظهر النتائج أنه حتى في المناطق السطحية الغنية بالأكسجين، تتناقص مستويات الأكسجين المذاب، ويرجع هذا الانخفاض بشكل رئيسي إلى التغيرات في درجة حرارة سطح البحر.
أبرز الأبحاث:
* اقترح إطارًا شاملًا للنمذجة للأكسجين المذاب على سطح المحيط العالمي
* تم تقديم مترجم SHAP لتحديد المتغيرات الرئيسية وتأثيرها على نتائج الأكسجين المذاب المتوقعة
* يساعد على فهم التغيرات الديناميكية العالية للأكسجين المذاب في المحيط العالمي واستكشاف قوانين وأسباب إزالة الأكسجين
موقع الورقةموقع:
https://pubs.acs.org/doi/10.1021/acs.est.3c08833
عنوان مجموعة بيانات SSDO:
https://go.hyper.ai/BBlqA
اتبع الحساب الرسمي ورد "الأكسجين المذاب على سطح البحر" للحصول على ملف PDF كامل
مجموعة البيانات: بيانات القياسات الميدانية والأقمار الصناعية
تتضمن البيانات المستخدمة في هذه الدراسة بيانات الأقمار الصناعية والأوعية الثابتة وقياسات مجال مقياس الموصلية.
تتضمن مجموعات بيانات الأقمار الصناعية درجة حرارة سطح البحر (SST)، وملوحة سطح البحر (SSS)، والكلوروفيل-أ (Chl-a)، ورياح سطح البحر (SSW)، وشذوذ مستوى سطح البحر (SLA). بيانات SST مأخوذة من مجموعة بيانات OISST، وبيانات SSS مأخوذة من مشروع CCI التابع لوكالة الفضاء الأوروبية (ESA)، وبيانات Chl-a مأخوذة من أقمار MODIS Aqua وTerra، وبيانات SSW مأخوذة من طريقة VAM جنبًا إلى جنب مع معايرة متعددة المنصات لرصد الرياح بالموجات الدقيقة والأجهزة، وبيانات SLA مأخوذة من مشروع AVISO.
يتم الحصول على قياسات مجال الأوعية الثابتة ومقياس الموصلية من بيانات محطة المحيط (OSD) وقاعدة البيانات الفرعية عالية الدقة للموصلية ودرجة الحرارة والعمق (CTD) في قاعدة بيانات المحيطات العالمية لعام 2018 (WOD).
وتظهر بيانات القياس الميداني المستخدمة في هذه الدراسة في الشكل.يوجد إجمالي 28,044 سجلًا، بما في ذلك 241 سجلًا من عام 2019.
(أ) التوزيع المكاني لبيانات القياس الميداني
(ب) التوزيع الزمني لبيانات القياس الميداني
(ج) توزيع بيانات قياسات مواقع المحيط المختلفة
(د) تحليل مصفوفة الارتباط بين سبعة متغيرات هيدرولوجية محيطية رئيسية
هندسة النموذج: ثلاثة مكونات رئيسية لإطار عمل DOsurface-Pred
واقترح الباحثون إطار عمل للتعلم الآلي قابل للتفسير لتضمين المعلومات المكانية الزمنية.يتكون الإطار من ثلاثة أجزاء رئيسية: وحدة تضمين المعلومات المكانية الزمنية، ووحدة الانحدار الأساسي، ووحدة شرح SHAP.
الجزء الأولباستخدام قياسات متعددة عبر الأقمار الصناعية والميدانية لبيانات المعلومات المكانية الزمنية، أي العينة Xأنا= {سأنا مكاني,
إكسأنا زمني، سالقمر الصناعي الأول، ...، Xأنا قمر صناعي ن} كمدخل. من خلال وحدة تضمين المعلومات المكانية الزمنية، يتم تحويل معلومات المكان والشهر إلى إحداثيات قطبية، ويتم تحويل إحداثيات X‘أنا={س‘أنا مكاني، س‘أنا زمني، س‘القمر الصناعي الأول، ...، X‘أنا قمر صناعي ن} التمثيل العالمي.
ثم X‘أنا يتم نقله إلى الجزء الثاني.تم تقييم نماذج مختلفة باستخدام التحقق المتبادل من خلال البحث الشبكي متعدد الخطوات.
الجدول أعلاه هو جدول تقييم أداء نماذج العمود الفقري.تم تحسين أداء إطار عمل DOsurface-Pred مقارنة بالنماذج التي لا تعتمد هذا الإطار.
بالإضافة إلى ذلك، تفوقت جميع نماذج التعلم الآلي القائمة على الشجرة على نموذج الانحدار الخطي المتعدد القياسي. يتم ترتيب هذه النماذج حسب الترتيب التنازلي للأداء على النحو التالي: ET، RF، GBDT، XGBoost، MLP. في،أظهر نموذج ET أفضل أداء في جميع مؤشرات التقييم، بقيمة RMSE تبلغ 11.67 ميكرومول/كجم. أظهر النموذج قدرة تعميم أفضل في نمذجة الأكسجين المذاب (DO) ويمكنه تقليل ظاهرة الإفراط في ملاءمة النموذج.
وفي الجزء الثالث،استخدم الباحثون طريقة تفسير SHAP لتقييم تأثير قيم ميزات العينة على نتائج مخرجات النموذج. ومن خلال هذا الإطار، يتم توليد نتائج التنبؤ وفقًا للنموذج الأمثل.
يمكن لـ SHAP تحديد مساهمة القيم الذاتية المختلفة في نتائج التنبؤ، مما يجعل من السهل فهم مخرجات النموذج وبالتالي تحديد المتغيرات الرئيسية وتأثيرها على نتائج التنبؤ بالأكسجين المذاب.
الاستنتاج التجريبي: درجة حرارة سطح البحر هي السبب الرئيسي الذي يؤثر على محتوى الأكسجين المذاب في سطح البحر
يمكن لإطار عمل DOsurface-Pred تقييم تركيز الأكسجين المذاب على سطح البحر العالمي بدقة.وبناءً على هذا الإطار، أنشأ الباحثون مجموعة بيانات واسعة النطاق للأكسجين المذاب على سطح البحر تمتد من عام 2010 إلى عام 2018، وأطلقوا عليها اسم منتج SSDO.
(أ، ب) خطأ جذر متوسط التربيع وخطأ التحيز (ج، د) إجمالي عدم اليقين ومكوناته (M، R، P) في سنوات وأشهر مختلفة
لتقييم النتائج التي تم إنشاؤها بواسطة النموذج الأمثل، قام الباحثون بتقدير عدم اليقين والتحقق المكاني الزمني.
أولاً، يتم تقييم الأخطاء وعدم اليقين في منتجات SSDO. وتظهر النتائج التجريبية أن الأخطاء الثلاثة (خطأ القياس M، وخطأ التمثيل R، وخطأ التنبؤ P) مجتمعة تسبب عدم اليقين التام.وقد تم تقدير إجمالي عدم اليقين بـ ±13.02 ميكرومول/كجم.
(أ) رسم كثافة التشتت لقيم PFL المتوقعة والمقاسة (ب) المواقع المكانية لنقاط PFL المطابقة، مرقمة لتتوافق مع أرقام الرسم البياني المقدمة أدناه (الفصل) الاتجاه الزمني لشذوذ الأكسجين في كل موقع، مقارنة بقيم الشذوذ المقاسة لـ PFL
ثانيًا، قام الباحثون بالتحقق بشكل أكبر من دقة السلسلة الزمنية لـSSDO باستخدام مجموعة بيانات قياس العوامات المستقلة.وتظهر النتائج أن نتائج التنبؤ تتوافق بشكل جيد مع قاعدة بيانات PFL، بقيمة R² تبلغ 0.86.
بالإضافة إلى ذلك، أجرى الباحثون تقييمًا مقارنًا لمواقع مراقبة العوامات على المدى الطويل في مناطق المحيطات المختلفة.وتظهر النتائج أن التوقعات تتفق مع التباين المكاني والاتجاهات طويلة الأمد التي تقيسها العوامات.وتثبت هذه التقييمات نتائج التنبؤ بشكل موثوق وتساعد في تحليل مدى تطبيقها في سيناريوهات مختلفة.
كما أجرى الباحثون تحليلاً إحصائيًا على منتجات SSDO. تظهر النتائج أن بيانات SSDO لها توزيع مكاني مماثل لبيانات السجل الطويل الأمد لـ WOD.وتحت تأثير التوسع المستمر للمنطقة الخالية من الأكسجين، أصبح مستوى الأكسجين المذاب على سطح البحر أقل تشبعًا أيضًا. حتى على سطح البحر حيث يتم تبادل الأكسجين المذاب بالكامل، يظهر الأكسجين المذاب اتجاها نزوليا بمعدل 0.22 ميكرومول/كجم سنويا في المتوسط.علاوة على ذلك، يظهر التغير السنوي في الأكسجين المذاب على سطح البحر ارتباطًا بظواهر التغير المحيطي النموذجية.
(أ) تقييم تأثير متوسطات الميزات العالمية على مخرجات النموذج
(ب) تقييم تأثير الميزات المحلية على مخرجات النموذج
(ج، د) تحليل تأثير SST وSSS على مخرجات النموذج
(هـ، و) التوزيع المكاني لتأثير خصائص درجة حرارة سطح البحر ودرجة حرارة سطح البحر
استخدم الباحثون طريقة تفسير SHAP للكشف بشكل أكبر عن آلية التأثير على العوامل المحيطية مثل درجة الحرارة والملوحة على الأكسجين المذاب على سطح البحر. في،كانت درجة الحرارة (SST) والملوحة (SSS) من العوامل المسيطرة الرئيسية، حيث أظهرت تأثيرًا سلبيًا على الأكسجين المذاب، حيث كان لدرجة حرارة سطح البحر التأثير الأكبر على مستويات الأكسجين المذاب.يساعد هذا التقييم على تحسين موثوقية النمذجة ويوفر نتائج كمية للعوامل القابلة للتفسير لاستكشاف التغيرات في التوزيع المكاني الزمني للأكسجين المذاب في المحيط وأسباب إزالة الأكسجين.
باختصار، استخدم الباحثون إطار عمل DOsurface-Pred لإنشاء مجموعة بيانات SSDO وقدموا طريقة تفسير SHAP.وتم التأكيد على أنه حتى في مناطق سطح البحر الغنية بالأكسجين، أظهر محتوى الأكسجين المذاب اتجاها نحو الانخفاض، ويعزى هذا الانخفاض بشكل رئيسي إلى تغيرات درجة حرارة سطح البحر.
الذكاء الاصطناعي والمحيط، استكشاف الألغاز المجهولة في أعماق البحار
قال دان لافولي، المستشار الأول للعلوم البحرية والحفاظ عليها في برنامج المحيطات البحرية والقطبية العالمي التابع للاتحاد الدولي لحفظ الطبيعة، ذات مرة:"تستمر تركيزات الأكسجين المذاب في المحيط في الانخفاض، مما يؤدي إلى تفاقم الضغوط على النظم البيئية البحرية التي تواجه بالفعل ارتفاع درجات الحرارة والحموضة."
وفي الوقت الحاضر، بالإضافة إلى تسريع خفض انبعاثات الكربون على مستوى العالم والصناعة بأكملها، فإن البحث المتعمق في ظاهرة نقص الأكسجين في المحيطات وتحليل العوامل المهمة التي تؤثر على حياة الأرض يمكن أن يمكّن الناس أيضًا من الحصول على فهم أكثر دقة لأسباب انقراض أو بقاء الكائنات الحية المختلفة، وبالتالي "وصف الدواء المناسب".
وفي هذه العملية، تم تطبيق قدرات التقنيات الناشئة مثل إنترنت الأشياء والذكاء الاصطناعي بشكل أعمق تدريجيا. بالإضافة إلى إطار تحليل الأكسجين المذاب في علامات البحر المذكور أعلاه، أجرى بعض العلماء أيضًا أبحاثًا حول التحكم في الحطام البحري وحماية التنوع البيولوجي البحري وجوانب أخرى تعتمد على بيانات المحيط مثل الاستشعار عن بعد عبر الأقمار الصناعية، والطائرات بدون طيار، والعوامات، والسونار، والبصريات تحت الماء.
على سبيل المثال، في عام 2019،أطلق برنامج الأمم المتحدة للبيئة مشروعًا مضادًا يسمى CounterMEASURE لمعالجة التلوث البلاستيكي في نهري ميكونج وجانج.استخدم المشروع طائرات بدون طيار لالتقاط صور جوية لحوض نهر ميكونج وقام بتطوير نموذج تعريف ومراقبة لتحديد مصادر ومسارات النفايات البلاستيكية في حوض نهر ميكونج بدقة تبلغ 83.9%.
بالإضافة إلى ذلك، مجموعة The Ripper في أستراليا،لقد قمنا أيضًا بتطوير منتج يستخدم الطائرات بدون طيار وتكنولوجيا الرؤية الآلية لتحديد أسماك القرش.لا يُستخدم هذا المنتج لمنع إزعاج المناطق الساحلية من قبل أسماك القرش فحسب، بل يلعب أيضًا دورًا مهمًا في حماية بيئة أسماك القرش.
من المؤكد أن انبعاثات الكربون المرتفعة للمجتمع البشري كان لها بالفعل تأثير خطير على المناخ العالمي والبيئة الإيكولوجية. ومن بينها، باعتبارها أصل الحياة على الأرض، فإن حماية البيئة البحرية أمر ملح أيضاً. ونحن نتطلع إلى أن تتمكن تدابير حماية البيئة التي تعتمد على الذكاء الاصطناعي في المستقبل القريب من معالجة الأعراض والأسباب الجذرية مع الكشف عن الحقيقة حول ارتفاع درجات حرارة البحر وانخفاض تركيزات الأكسجين المذاب، واستعادة المحيط إلى صفائه من المصدر.
مراجع:
1.https://mp.weixin.qq.com/s/bUbYptqccBXC2T9dvkfOfA
2.https://www.cdstm.cn/gallery/hycx/qyzx/201909/t20190904_923957.html
3.http://www.cbcgdf.org/NewsShow/4854/10658.html