Nieuwe machine learning-technieken meten zuurstofverlies in de oceaan nauwkeuriger

Onderzoekers van Georgia Tech hebben nieuwe machine learning-technieken ontwikkeld om het wereldwijde zuurstofverlies in de oceanen beter te begrijpen, met behulp van gegevens van Argo-drijvers en historische metingen van schepen. Zuurstof is essentieel voor levende organismen, vooral voor meercellige levensvormen, om organisch materiaal te metaboliseren en alle levensactiviteiten te energiseren. Ongeveer de helft van de zuurstof die we inademen komt van terrestrische plantengroei, zoals bossen en graslanden, terwijl de andere helft wordt geproduceerd door fotosynthese door mariene algen in het oppervlaktewater van de oceaan.

De zuurstofconcentraties dalen in veel delen van de wereldzeeën. Deskundigen geloven dat deze daling verband houdt met de opwarming van het oceaanoppervlak en de gevolgen daarvan voor de fysica en chemie van zeewater, hoewel het probleem nog niet volledig begrepen wordt. Temperatuur speelt een cruciale rol bij het bepalen van hoe zuurstof in zeewater oplost; naarmate het water opwarmt, verliest het zijn vermogen om gas vast te houden.

“Het berekenen van de hoeveelheid zuurstof die verloren is gegaan in de oceanen is een uitdaging vanwege beperkte historische metingen en inconsistente tijdsintervallen,” aldus Taka Ito, oceanograaf en professor aan de School of Earth and Atmospheric Sciences van Georgia Tech. “Om de wereldwijde zuurstofniveaus en hun veranderingen te begrijpen, moeten we veel datagaten opvullen.”

Een groep studentonderzoekers heeft geprobeerd dit probleem aan te pakken. Onder leiding van Ito ontwikkelde het team een nieuwe machine learning-gebaseerde benadering om de afname van de globale zuurstofniveaus in de oceanen nauwkeuriger te begrijpen en weer te geven. Met behulp van datasets genereerde het team verder een maandelijkse kaart van het zuurstofgehalte die de afname van zuurstof in de oceaan over meerdere decennia visualiseert. Hun onderzoek werd gepubliceerd in het Journal of Geophysical Research: Machine Learning and Computation.

“Mariene wetenschappers moeten de verdeling van zuurstof in de oceaan begrijpen, hoeveel het verandert, waar de veranderingen plaatsvinden en waarom,” zei Ahron Cervania, een Ph.D. student in Ito’s lab. “Statistische methoden zijn lange tijd gebruikt voor deze schattingen, maar machine learning-technieken kunnen de nauwkeurigheid en resolutie van onze zuurstofbeoordelingen verbeteren.”

Het project begon drie jaar geleden met steun van de National Science Foundation, en het team concentreerde zich aanvankelijk uitsluitend op gegevens van de Atlantische Oceaan om de nieuwe methode te testen. Ze gebruikten een computationeel model om hypothetische observaties te genereren, waarmee ze konden beoordelen hoe goed ze de ontbrekende zuurstofniveau-informatie konden reconstrueren met slechts een fractie van de gegevens in combinatie met machine learning.

Na het ontwikkelen van deze methode breidde het team zich uit naar wereldwijde oceaanobservaties, waarbij ook undergraduate studenten betrokken werden en taken over verschillende oceaanbassins werden verdeeld. Onder Ito’s begeleiding ontwikkelden Cervania en andere studentonderzoekers algoritmen om de relaties tussen zuurstofgehalte en variabelen zoals temperatuur, zoutgehalte en druk te analyseren. Ze gebruikten een dataset van historische zuurstofobservaties op basis van schepen sinds de jaren 60 en recente gegevens van Argo-drijvers — autonome drijvende apparaten die temperatuur en zoutgehalte verzamelen en meten.

Hoewel er voor de jaren ’60 al zuurstofgegevens bestonden, hebben eerdere registraties nauwkeurigheidsproblemen, dus concentreerde het team zich op gegevens vanaf de jaren ’60. Ze creëerden vervolgens een wereldwijde maandelijkse kaart van het zuurstofgehalte in de oceaan van 1965 tot heden.

“Met behulp van een machine learning-benadering konden we de snelheid van het zuurstofverlies preciezer beoordelen over verschillende periodes en locaties,” zei Cervania. “Onze bevindingen geven aan dat het opnemen van drijvergegevens de schatting van zuurstofverlies aanzienlijk verbetert en tegelijkertijd de onzekerheid vermindert.”

Het team ontdekte dat de wereldzeeën van 1970 tot 2010 zuurstof hebben verloren met een snelheid van ongeveer 0,7% per decennium. Deze schatting suggereert een relatief snelle reactie van de oceaan op recente klimaatverandering, met mogelijke langdurige gevolgen voor de gezondheid en duurzaamheid van mariene ecosystemen. Hun schatting valt ook binnen het bereik van daling dat door andere studies is gesuggereerd, wat de nauwkeurigheid en effectiviteit van hun benadering aangeeft.

“We hebben trends in de wereldwijde zuurstofniveaus en de voorraad van de oceaan berekend, waarbij we in wezen naar de snelheid van verandering over de afgelopen vijf decennia keken,” zei Cervania. “Het is bemoedigend om te zien dat onze snelheid overeenkomt met eerdere schattingen van andere methoden, wat ons vertrouwen geeft. We bouwen een robuuste schatting op vanuit zowel onze studie als andere studies.”

Volgens Ito pakt de nieuwe benadering van het team een voortdurende uitdaging aan in de oceanografische gemeenschap: hoe verschillende gegevensbronnen met variërende nauwkeurigheden en onzekerheden effectief te combineren om oceanische veranderingen beter te begrijpen. “De integratie van geavanceerde technologieën zoals machine learning zal essentieel zijn om datagaten op te vullen en een duidelijker beeld te geven van hoe onze oceanen reageren op klimaatverandering.”