Οι λίμνες και οι ταμιευτήρες έχουν βαθιά επιρροή στις λειτουργίες ενός οικοσυστήματος, στα τοπικά επίπεδα ροής των υδάτων επιφανειακά και υπογείως. Οι διαχειριστές των υδάτων όμως συχνά δεν έχουν πρόσβαση σε πληροφορίες σχετικά με την τοπογραφία του υπογείου υδροφόρου ορίζοντα, η οποία επηρεάζει την οικολογία, τον όγκο, τη θερμοκρασία και τον ρυθμό εξάτμισης ενός υδάτινου σώματος, καθώς και τις εισροές και εκροές.

Μια ομάδα επιστημόνων έχει αναπτύξει τεχνικές τεχνητής νοημοσύνης για να δημιουργήσει ένα δημοσίως διαθέσιμο σύνολο δεδομένων της υποβρύχιας τοπογραφίας, ή βαθυμετρίας, περισσότερων από 1,4 εκατομμυρίων λιμνών και δεξαμενών σε όλο τον κόσμο. Αυτές οι πληροφορίες μπορούν να επιτρέψουν στους διαχειριστές νερού και σε άλλους φορείς λήψης αποφάσεων, να προβλέψουν καλύτερα ζητήματα που σχετίζονται με τη διαθεσιμότητα νερού για πόλεις και αγροκτήματα έως τις οικολογικές αλλαγές σε υγροτόπους.

“Αυτό το σύνολο δεδομένων δίνει στους μοντελιστές και στους οικολόγους λιμνών μια πιο ρεαλιστική απεικόνιση ενός υδάτινου σώματος”, δήλωσε ο Bahram Khazaei, ο οποίος ηγήθηκε της δημιουργίας της βάσης δεδομένων ως μεταδιδακτορικός ερευνητής στο Εθνικό Κέντρο Ατμοσφαιρικής Έρευνας (NCAR). “Για να κατανοήσουμε καλύτερα τη δυναμική και τις ιδιότητες των υδάτινων συστημάτων των πόρων γλυκού νερού, πρέπει να μάθουμε περισσότερα για τα γεωφυσικά χαρακτηριστικά του και τι βρίσκεται κάτω από την επιφάνεια.”

Το σύνολο δεδομένων Global Lakes Bathymetry, ή GLOBathy, είναι προσβάσιμο στο διαδίκτυο:
https://www.nature.com/articles/s41597-022-01132-9

Η εργασία χρηματοδοτήθηκε από το NOAA και τα ευρήματα δημοσιεύτηκαν σε πρόσφατο τεύχος του Scientific Data. Το NCAR χρηματοδοτείται από το Εθνικό Ίδρυμα Επιστημών.

Εκτίμηση βαθυμετρίας με μηχανική μάθηση

Το μεγαλύτερο μέρος των προσβάσιμων επιφανειακών γλυκών υδάτων της Γης αποθηκεύεται σε περισσότερες από 100 εκατομμύρια λίμνες και δεξαμενές. Οποιεσδήποτε αλλαγές στον όγκο ή στις εκβολές τους μπορεί να επηρεάσουν τόσο τη διαθεσιμότητα όσο και την ποιότητα του νερού, με εκτεταμένες επιπτώσεις στους ανθρώπους και στα οικοσυστήματα. Για να κατανοήσουν καλύτερα πιθανές αλλαγές στα υδάτινα σώματα, οι επιστήμονες χρησιμοποιούν μοντέλα υπολογιστών που να μπορούν να αναπαραστήσουν με ακρίβεια τα φυσικά τους χαρακτηριστικά.

Ο Khazaei, ο οποίος τώρα εργάζεται για την Εθνική Υπηρεσία Ωκεανών της NOAA, ενδιαφέρθηκε να δημιουργήσει ένα σύνολο δεδομένων βαθυμετρίας όταν εργαζόταν στο Εθνικό Μοντέλο Υδάτων της NOAA, το οποίο παρέχει λεπτομερείς προβλέψεις για τη ροή των υδάτων στις Ηνωμένες Πολιτείες. Καθώς εστίασε στη βελτίωση των προσομοιώσεων της στάθμης του νερού σε ποτάμια και ρέματα, χρειαζόταν περισσότερες πληροφορίες σχετικά με τα γεωφυσικά χαρακτηριστικά των λιμνών και των ταμιευτήρων. Οι ερευνητές έχουν χρησιμοποιήσει προόδους στα Γεωγραφικά Συστήματα Πληροφοριών (GIS), το αερομεταφερόμενο LiDAR και άλλες τεχνολογίες για να χαρτογραφήσουν την υποβρύχια τοπογραφία χιλιάδων λιμνών και δεξαμενών, αλλά δεν έχουν την ικανότητα να προσδιορίσουν τη βαθυμετρία εκατομμυρίων άλλων.

Για να εκτιμήσουν τη βαθυμετρία πρόσθετων λιμνών και δεξαμενών, ο Khazaei και οι συνεργάτες του στράφηκαν σε ένα ολοκληρωμένο σύνολο δεδομένων γνωστό ως HydroLAKES. Αυτό τους παρείχε μια εκτενή λίστα με τα γεωφυσικά χαρακτηριστικά περισσότερων από 1,4 εκατομμυρίων υδάτινων σωμάτων παγκοσμίως, συμπεριλαμβανομένου του μήκους της ακτογραμμής, της επιφάνειας, του όγκου, της περιοχής λεκάνης απορροής, του υψομέτρου και άλλων.

Στη συνέχεια ανέπτυξαν μια τεχνική μηχανικής μάθησης, που ονομάζεται “Τυχαίο Δάσος” (Random Forest), που είναι αποτελεσματική για την ταξινόμηση δεδομένων για τη δημιουργία σχέσεων μεταξύ αυτών των γεωφυσικών χαρακτηριστικών των υδάτινων σωμάτων. Εκτίμησαν το μέγιστο βάθος και τη βαθυμετρία για όλες τις λίμνες και τις δεξαμενές στο σύνολο δεδομένων χρησιμοποιώντας αυτές τις σχέσεις, συνοδευόμενες από τεχνικές GIS.

Για να επικυρώσουν το σύνολο δεδομένων, οι επιστήμονες στράφηκαν σε σύνολα δεδομένων λιμνών στις οποίες είχε μετρηθεί το μέγιστο βάθος, καθώς και σε παρατηρήσεις βαθυμετρίας υδάτινων σωμάτων σε διαφορετικές περιοχές και με ευρύ φάσμα φυσικών χαρακτηριστικών. Τα αποτελέσματα έδειξαν ότι το GLOBathy πέτυχε να εκτιμήσει τη βαθυμετρία και να αναπαράγει τα μοτίβα της μεταβλητότητας του βάθους «λογικά καλά», σύμφωνα με την εφημερίδα.

Το GLOBathy παρέχει επίσης εκτιμήσεις των σχέσεων κεφαλής-περιοχής-όγκου, που προέρχονται από τους βαθυμετρικούς του χάρτες. Αυτές οι σχέσεις, που υποδεικνύουν τη διαθεσιμότητα νερού και την επιφάνεια σε διαφορετικά επίπεδα βάθους υδάτινων σωμάτων, παρέχουν βασικές πληροφορίες που μπορούν να χρησιμοποιηθούν για βελτιωμένες αναλύσεις νερού και καλύτερη κατανόηση των υδρολογικών κύκλων σε τοπική, περιφερειακή και παγκόσμια κλίμακα. Το GLOBathy παρέχει επίσης στους γεωφυσικούς επιστήμονες μεγαλύτερη ευελιξία στη μοντελοποίηση υδάτινων συστημάτων καθώς συμπληρώνει πολλά υπάρχοντα σύνολα δεδομένων ηπειρωτικών υδάτινων σωμάτων.

«Για πρώτη φορά, έχουμε λεπτομερείς πληροφορίες για το βάθος και τη βαθυμετρία για όλα αυτά τα υδάτινα σώματα σε όλο τον κόσμο», είπε ο Khazaei. «Αυτό δεν αντικαθιστά τις επίγειες μετρήσεις, αλλά μας δίνει κρίσιμες γνώσεις για πολλές λίμνες και ταμιευτήρες των οποίων η υποβρύχια τοπογραφία δεν έχει ποτέ χαρτογραφηθεί σε τέτοιο βαθμό».

Πηγή: Nature Scientific Data