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. Об этом сообщила пресс-служба вуза.

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.