一组研究人员表示，机器学习技术可以帮助科学家更好地了解河流的复杂化学并监测更广泛的环境条件。

在一项研究中，研究人员报告了机器学习算法的新应用，以分析流的化学成分如何随时间变化，特别关注二氧化碳在微妙而复杂的流化学中的波动。

他们补充说，科学家可能能够使用该算法来研究流在隔离二氧化碳并将其释放回大气中的作用。由于这种温室气体对全球气候的影响，了解这一过程很重要。

宾夕法尼亚州立大学地球科学杰出教授、计算与数据科学研究所附属机构苏珊布兰特利说：“溪流的化学性质随着时间的推移而变化，它可以为我们提供大量信息。” “溪流还包含有关二氧化碳如何从大气中排出，或通过各种过程被推回大气层的信息。因此，当我们观察溪流化学随时间的变化时，我们可以了解更多关于二氧化碳进入的信息离开大气层，主要与自然过程有关，但在某种程度上也与人类造成的过程有关。”

该研究还显示了岩石化学和河流化学之间的关系，地球科学博士生、该论文的第一作者 Andrew Shaughnessy 说。

“我们发现溪流的行为与岩石的行为方式非常相似，”肖内西说。“所以，我们可以使用这个过程——流化学与岩石化学之间的这种相互作用——今天发生的事情来推断这些长期过程。”

在他们的发现中，研究人员发现酸雨——一种异常酸雨或其他形式的降水——降低了流域固存二氧化碳的能力。例如，酸雨中的硫酸会溶解流域中的硅酸盐物质，进而影响二氧化碳的封存过程。

肖内西说，监测流化学的挑战在于其复杂性，这就是机器学习方法如此有价值的原因。然而，他建议说，流的丰富复杂性有点像一把双刃剑。

“流的好处在于它们整合了许多不同的过程，因此您可以测量流化学并了解它们，”肖内西说。“流的问题在于它们也整合了所有这些东西。流中有很多溶质来源，最大的挑战是能够利用流化学并分离所有不同的溶质来源，以便能够了解正在发生的个体反应。这个项目的一部分是根据这些矿物反应阅读流化学。”

在此方法出现之前，研究人员依靠一种称为端元混合分析 (EMMA) 的方法来解释水流的构成来源，但水流浓度和排放量的变化仍然难以解释。

研究人员表示，机器学习可以帮助解开一些复杂性，他们在最近一期的水文学和地球系统科学杂志上报告了他们的发现。

该团队基于称为负矩阵分解(NMF)的无监督学习模型开发了他们的模型。该模型还被用于理解天文学和电子商务等不同领域中的复杂关系。顾名思义，无监督学习是一种机器学习，可以在数据中找到模式，例如数据流中尚未标记或描述的化学物质。

“在无监督学习中，我们寻找数据中的模式，例如，数据中的集群，并查看出现哪些模式，以便能够了解我们已有的数据集的新内容，”Shaughnessy 说。

为了测试该模型，研究人员收集了从页岩山临界区天文台收集的流数据，这是一个于 2007 年在宾夕法尼亚州立大学附近建立的活实验室，研究人员在那里收集有关流域重要水文、生态和地球化学过程的数据。

“这是一个由国家科学基金会运营和资助多年的网站，”布兰特利说。“多年来，我们在那里进行了大量测量，因此我们对该系统了解很多，我们的数学集非常适合该系统，我们对此了解很多。”

该团队使用来自全国其他两个地点的数据验证了该算法 - 东河，一个位于科罗拉多州哥特附近的大型山区分水岭和哈伯德布鲁克，位于新罕布什尔州怀特山脉的一系列九个小型森林分水岭.

“能够在宾夕法尼亚州立大学的一个地方开始这个项目是一件好事，在那里我们收集了大量数据，由 NSF 资助，然后转移到其他人资助和维护的其他站点以显示它奏效了，”布兰特利说。“它给了我们不同的解释，因为地质和其他因素是不同的。但是，该技术有效，我认为这将是非常有用的技术，可以帮助很多人了解河流化学。”

目前，研究人员正在使用该算法研究马塞勒斯页岩地区的河流化学，该地区的压裂和采矿可能影响了河流。