Климатический центр Росгидромета

Новости партнеров

Science: Картирование мирового прибрежного океана с помощью искусственного интеллекта: искусственные нейронные сети могут помочь лучше контролировать глобальный цикл углерода в мелководных морях

 

Изменение климата является одной из основных проблем XXI века. Для смягчения антропогенного воздействия на него необходимо радикально сократить выбросы углекислого газа (CO2), основного антропогенного парникового газа, концентрация которого в атмосфере резко возросла с начала промышленной революции в результате деятельности человека (1). Океан играет ключевую роль в смягчении антропогенного воздействия на климат, поглощая около 25% антропогенных выбросов CO2 (1). Однако роль прибрежных морей в способности океана выступать в качестве ингибитора накопления атмосферного CO2 и буфера против изменения климата, а также реакция прибрежного океана на антропогенное давление остаются предметом значительной неопределённости. Используя самый передовой метод, основанный на искусственном интеллекте, исследования (2, 3) способствовали улучшению понимания взаимодействия морской поверхности и атмосферного CO2 для прибрежных морей по всему миру.

Мировой океан ежегодно генерирует для человечества экономическую стоимость товаров и услуг на сумму около 2500 миллиардов долларов США, что эквивалентно седьмой по величине экономике (4). Более половины этой экономической стоимости генерируется прибрежными морями и зависит от состояния их здоровья (5). Из-за большой пространственной неоднородности прибрежного океана обмены и преобразования ключевых физических, химических или биологических переменных [т. е. основных океанических переменных (6)], таких как CO2, регулирующий не только климат, но и состояние прибрежного океана посредством его закисления, не очень хорошо изучены. Прибрежные океанические переменные, такие как температура поверхности моря, можно отслеживать из космоса благодаря возможностям спутникового дистанционного зондирования, которые могут предоставлять пространственно-комплексные карты некоторых океанических переменных морской поверхности с несколькими пространственными и временными разрешениями (7). Однако на сегодняшний день большинство других параметров, характеризующих биогеохимическое функционирование прибрежных экосистем, таких как концентрация CO2 на поверхности моря, отслеживаются только посредством локальных и неполных измерений с платформ in situ, таких как суда, используемые попутно или исследовательские (8) (см. рисунок). В результате этого довольно скудный сбор данных во многих прибрежных регионах и неоднородный временной и пространственный охват этих измерений затрудняют оценку обмена CO2 между атмосферой и прибрежными морями в более крупных пространственно-временных масштабах, с относительной неопределённостью до 50–100% при попытке оценить вклад прибрежного океана в глобальный сток CO2 в океан (9).

Эта работа преодолела важнейшее ограничение прерывистых наблюдений, характерное для традиционной количественной оценки обмена CO2 между воздухом и морем в прибрежной зоне океана. Здесь был использован инновационный подход на основе искусственного интеллекта с комбинацией двух искусственных нейронных сетей — кластеризацией на основе машинного обучения (т. е. самоорганизующейся картой) в сочетании с подходом нейронной сети прямого распространения. Метод включает в себя использование спутниковых данных и данных реанализа, которые покрывают всю поверхность океана и, как известно, контролируют CO2 на поверхности океана, например, температуру поверхности моря (см. рисунок). Затем был разработан мост через две нейронные сети, устанавливающие сложные нелинейные зависимости между этими спутниковыми данными и данными реанализа и всеми примерно 18 миллионами прямых наблюдений CO2 на поверхности моря, собранных в прибрежной зоне океана (8). Эти зависимости далее применяются для разрешения обменов CO2 на границе раздела воздух-море в прибрежных регионах и в периоды года, по которым отсутствуют данные (см. рисунок). Основная задача заключалась в построении этих реконструированных карт концентрации CO2 на поверхности моря только для прибрежной зоны океана, причём в глобальном масштабе, ввиду пространственной неоднородности динамики прибрежной системы. Действительно, такие полностью реконструированные карты, основанные на этом эмпирическом подходе с использованием искусственного интеллекта, были созданы только для открытого Мирового океана, который не охватывает прибрежные моря и чьё пространственное разрешение (обычно 1°) недостаточно для учёта мелкомасштабных процессов, таких как влияние речных сбросов, влияющих на динамику CO2 (10, 11).


Искусственный интеллект используется для заполнения пробелов в данных о морской среде
Представлен инновационный подход на основе искусственного интеллекта для оценки обмена CO2 с атмосферой во всех прибрежных системах с максимальной точностью. Метод заключается в разработке связующего звена посредством комбинации двух искусственных нейронных сетей, которые устанавливают сложные нелинейные связи между (а) дискретными in situ наблюдениями за CO2 на поверхности моря, собранными в прибрежной зоне, и (b) полными данными спутникового мониторинга и реанализа морской поверхности. Эти связи затем применяются для определения CO2 на поверхности моря и обмена CO2 с атмосферой в прибрежных регионах и в периоды года, по которым отсутствуют данные (c).

Этот подход на основе искусственного интеллекта в настоящее время является одним из самых передовых подходов, основанных на наблюдениях для оценки того, как все прибрежные системы обмениваются CO2 с атмосферой с наивысшей точностью (2, 3). Эта работа также прокладывает путь для надёжных исследований временных изменений в динамике обмена CO2 между воздухом и морем, от сезонных до многодесятилетних масштабов и для прибрежных морей по всему миру. Наконец, этот подход связывается с сообществом моделирования, которое пытается понять, в форме сложных численных уравнений, обратную связь между системой Земли и климатом и их возмущениями, вызванными деятельностью человека. Здесь предоставлена надёжная оценка, с которой можно сравнивать результаты глобальных моделей океана (12, 13). Действительно, глобальные модели долгое время плохо подходили для изучения прибрежного океана, не в последнюю очередь потому, что их пространственное разрешение лишь частично имитирует прибрежные моря. В целом этот эмпирический подход на основе искусственного интеллекта, связывающий локальные измерения со спутниковыми данными и данными реанализа, а также улучшающий модельные оценки, открывает возможности для оценки и смягчения воздействия многочисленных антропогенных возмущений на глобальный прибрежный углеродный цикл и связанную с этим потерю биоразнообразия и другие факторы стресса в морской среде.

Для оценки прошлого, настоящего и будущего состояния прибрежного океана и его уязвимости к нарушениям, вызванным деятельностью человека, которые могут повлиять на экономическую ценность прибрежного океана и его буферную роль перед лицом изменения климата, важно создать сеть мониторинга океанических переменных, таких как CO2. Современные возможности спутникового дистанционного зондирования позволяют контролировать некоторые из этих переменных. Однако на сегодняшний день большинство глобальных наборов данных, доступных для других параметров, репрезентативных для биогеохимического функционирования прибрежных экосистем, состоят из наборов локальных наблюдений. Данная работа продемонстрировала, что применение метода искусственного интеллекта может устранить эти ограничения с разработкой метода, успешно применяемого в случае CO2. Этот метод должен вдохновить на применение других прибрежных океанических переменных, таких как кислород и pH, что может помочь улучшить понимание биогеохимического функционирования прибрежного океана через эффекты гипоксии и закисления. Помимо применения на поверхности морской воды, метод также должен вдохновить на создание приложений с четырёхмерным разрешением, учитывающих глубину, чтобы понять, как CO2 перераспределяется в толще воды после обмена с атмосферой.

Литература
1 P. Friedlingstein et al., ESSD 17, 965 (2025).
2 A. Roobaert et al., Global Biogeochem. Cycles 33, 1693 (2019).
3 A. Roobaert, P. Regnier, P. Landschützer, G. G. Laruelle, ESSD 16, 421 (2024).
4 O. Hoegh-Guldberg et al., “Reviving the ocean economy: The case for action – 2015” (WWF International, 2015).
5 C. J. Crossland, H. H. Kremer, H. J. Lindeboom, J. I. M. Crossland, M. D. A. Le Tissier, Coastal Fluxes in the Anthropocene: The Land-Ocean Interactions in the Coastal Zone Project of the International Geosphere-Biosphere Programme (Springer, 2005).
6 The Global Ocean Observing System (GOOS), Essential ocean variables; https://goosocean.org/what-we-do/framework/essential-ocean-variables/.
7 R. W. Reynolds et al., J. Clim. 20, 5473 (2007).
8 Surface Ocean CO2 Atlas (SOCAT); https://socat.info/.
9 J. E. Bauer et al., Nature 504, 61 (2013).
10 C. Rödenbeck et al., Biogeosciences 12, 7251 (2015).
11 A. R. Fay, ESSD 13, 4693 (2021).
12 L. Resplandy et al., Global Biogeochem. Cycles 38, e2023GB007803 (2024).
13 A. Roobaert, L. Resplandy, G. G. Laruelle, E. Liao, P. Regnier, Ocean Sci. 18, 67 (2022).

 

Ссылка: https://www.science.org/doi/10.1126/science.adx7826

Печать