Intelligence artificielle Etudier la variabilité du PH en zone côtière grâce au deep learning

Pour approfondir le sujet

Sur le même thème :

Deep learning : des chercheurs de l’Université Johns Hopkins présentent une nouvelle approche pour la prédiction des crises cardiaques dues à l’arythmie cardiaque

Les applications d'intelligence artificielle dans le domaine de la santé sont nombreuses, la prévention des crises cardiaques est notamment au cœur de nombreuses recherches. Une...

Afrique : un chercheur de l’IFRI étudie le déploiement des panneaux solaires en zone urbaine grâce au deep learning

Hugo Le Picard, chercheur au Centre Énergie & Climat de l’Ifri, et Mathieu Toulemont, Senior Machine Learning Engineer chez PhotoRoom ont cherché à mesurer...

Une équipe de chercheurs entraîne un réseau de neurones à une dégustation virtuelle

Une équipe de chercheurs du National Institute of Standards and Technology (NIST), de l'Université du Maryland ainsi que de Western Digital a développé un...

Estimer en temps réel la magnitude des grands séismes grâce aux ondes gravitationnelles

On estime que pour qu'un tsunami soit généré par un séisme, ce dernier doit être d'une magnitude forte, d'au minimum 6,5 sur l'échelle de...

Etudier la variabilité du PH en zone côtière grâce au deep learning

L’eau de mer a un pH d’environ 8,2 bien qu’il puisse varier entre 7,5 et 8,5 en fonction de la salinité locale, on estime qu’il aurait baissé en moyenne de 0,1 depuis l’ère industrielle. Cette tendance à la baisse associée à l’augmentation des niveaux de CO2 dans l’atmosphère est un sujet de préoccupation en raison des conséquences négatives possibles pour les organismes marins, en particulier les calcificateurs (coraux, mollusques à coquille …). Une équipe de chercheurs espagnols a mené une étude pour évaluer la variabilité saisonnière du pH. Intitulée « pH trends and seasonal cycle in the coastal Balearic Sea reconstructed through machine learning », elle est parue dans la revue nature le 28 juillet dernier.

Susana Flecha, Àlex Giménez-Romero, Joaquín Tintoré, Fiz F. Pérez, Iris E. Hendriks, Manuel A. Matías, Eva Alou-Font sont les auteurs de cette étude qui vise à étudier la variabilité du PH de la zone côtière des Baléares grâce au deep learning.

Les émissions atmosphériques de dioxyde de carbone ont augmenté de façon exponentielle depuis le début de la révolution industrielle, principalement en raison de l’utilisation des combustibles fossiles, de l’industrie et du changement d’affectation des terres. De précédentes études ont estimé que si, environ 46% du CO2 restait dans l’atmosphère, on retrouve les 54% restants dans la biosphère et les océans. Lorsque le CO2 se dissout dans l’eau de mer, des réactions chimiques se produisent, entraînant une diminution du pH de l’eau de mer.

Les zones côtières sont d’importantes zones de transition terre-océan avec des interactions complexes entre processus biologiques, physiques et chimiques. Les chercheurs ont évalué la variabilité du pH sur deux sites de la zone côtière de la mer des Baléares, Palma et Cabrera. Ils ont utilisé des ensembles de données environnementales sur la température, la salinité et l’oxygène dissous, obtenues par des capteurs autonomes de 2018 à 2021, et ont formé des réseaux de neurones récurrents pour prédire le pH et combler les lacunes en matière de données. Des séries chronologiques environnementales plus longues (2012-2021) ont été utilisées pour obtenir la tendance du pH à l’aide de données reconstruites. Les meilleures prévisions montrent un taux de variation de −0,0020±0,00054 unités de pH par an, ce qui correspond à d’autres observations des taux de pH dans les zones côtières. Leur méthodologie peut permettre d’obtenir des tendances de pH quand bien même les données de pH disponibles ne sont pas très nombreuses, il suffit que d’autres variables soient accessibles.

Ces travaux ont souligné les capacités des techniques de deep learning, en particulier l’architecture BD-LSTM (BiDireccional Long Short-Term Memory), pour reconstruire les données de pH pertinentes afin d’évaluer la variabilité saisonnière du pH et pour élucider les conséquences du changement climatique, comme l’effet OA, dans une zone côtière de la mer Des Baléares, qui peut être étendue aux zones côtières du bassin de la Méditerranée occidentale. Néanmoins, des recherches futures sont nécessaires pour évaluer et confirmer ces tendances régionales, il est donc important de maintenir les réseaux de suivi des séries chronologiques.

Sources de l’article :

“pH trends and seasonal cycle in the coastal Balearic Sea reconstructed through machine learning” https://doi.org/10.1038/s41598-022-17253-5 
Nature, 28/07/2022

Auteurs :

Susana Flecha, Instituto de Ciencias Marinas de Andalucía (ICMAN-CSIC),Instituto Mediterráneo de Estudios Avanzados (IMEDEA-UIB-CSIC),
Àlex Giménez-Romero, Instituto de Física Interdisciplinar y Sistemas Complejos, (IFISC-UIB-CSIC),
Joaquín Tintoré, Instituto Mediterráneo de Estudios Avanzados (IMEDEA-UIB-CSIC), Balearic Islands Coastal Observing and Forecasting System (SOCIB,
Eva Alou-Font,Balearic Islands Coastal Observing and Forecasting System (SOCIB),
Iris E. Hendriks, Instituto Mediterráneo de Estudios Avanzados (IMEDEA-UIB-CSIC),
Manuel A. Matías, Instituto de Física Interdisciplinar y Sistemas Complejos, (IFISC-UIB-CSIC),
Fiz F. Perez, Instituto de Investigaciones Marinas (IIM-CSIC).

 
Marie-Claude Benoit

Partager l'article

META AI dévoile BlenderBot 3, un projet de recherche sur l’IA conversationnelle

Après avoir présenté BlenderBot en 2020, la mouture BlenderBot 2.0 en 2021, META a dévoilé BlenderBot 3 le 5 août dernier. Comme pour ses...

Reconnaissance faciale : la plateforme « From Numbers to Name » aide à identifier les victimes de l’Holocauste

Le deep learning est aujourd'hui utilisé dans de nombreux domaines, il l'est de plus en plus dans celui de l'histoire. Daniel Patt, un ingénieur...

Lancement de l’appel à candidatures de la phase V des pôles de compétitivité

Alors que la phase IV (2019-2022) des pôles de compétitivité prendra fin en décembre 2022, Bruno Le Maire, Ministre de l’Economie, des Finances et...

Focus sur SMART, programme de l’IARPA visant à identifier et surveiller les constructions à grande échelle grâce au machine learning

L'IARPA (Intelligence Advanced Research Projects Activity), la branche de recherche de la communauté du renseignement aux Etats-Unis, a lancé le programme SMART (Space-based Machine...
Recevoir une notification en cas d'actualité importante    OK Non merci