Analiza rdzeni lodowych z użyciem uczenia maszynowego
Rdzenie lodowe – długie walce lodowe wydobywane z polarnych pokryw lodowych lub górskich lodowców – zawierają nietknięte informacje o dawnym klimacie. Warstwy osadów tworzą serię zapisów obrazujących klimat, które mogą sięgać nawet 800 000 lat wstecz. „Klimat Ziemi można badać, wykrywając zanieczyszczenia uwięzione w lodzie”, wyjaśnia Carlo Barbante z włoskiego Uniwersytetu Ca’ Foscari w Wenecji, koordynator projektu ICELEARNING. „Rozpuszczalne związki chemiczne, gazy atmosferyczne i nierozpuszczalne cząstki, które pochodzą z pustyń, lasów i wulkanów, są przenoszone przez wiatr i zatrzymywane w lodzie”. Identyfikacja i zliczanie takich cząstek z użyciem standardowych technik to niezwykle czasochłonne zadanie. Próbki należy najpierw przygotować w laboratorium, przy czym analizy poszczególnych rodzajów cząstek wymagają różnych metod przygotowania. Jedna próbka jest zwykle badana przez specjalistów z różnych dziedzin, którzy skupiają się na wybranych śladach (na przykład ziarnach pyłku roślin lub pyle wulkanicznym).
Analizowanie przeszłości
Projekt ICELEARNING, realizowany dzięki wsparciu działania „Maria Skłodowska-Curie” (MSCA), miał na celu usprawnienie takiego procesu analizy. Zamierzenie to udało się zrealizować dzięki zastosowaniu aparatu FlowCam do mikroskopowego obrazowania w przepływającej cieczy. Niccolò Maffezzoli, stypendysta MSCA zaangażowany w projekt, opracował ramy koncepcyjne i na ich podstawie przygotował prototyp. Urządzenie FlowCam fotografuje wszystkie cząstki zawarte w rdzeniu lodowym przepływającym przez ten aparat. Zespół projektu ICELEARNING zamierzał wykorzystać głębokie sieci neuronowe / zaawansowane uczenie maszynowe do zautomatyzowanego przetwarzania, identyfikacji i klasyfikacji różnych zanieczyszczeń. „W czasie odwiedzin w laboratorium na Uniwersytecie w Bergen Niccolò Maffezzoli natknął się na urządzenie FlowCam”, wyjaśnia Barbante. „Niccolò doszedł do wniosku, że może ono pomóc w równoczesnym identyfikowaniu różnych cząstek zawartych w rdzeniach lodowych, co pozwoli opracować analizę łączącą różne dziedziny”. Realizacja tego zamierzenia wymagała przygotowania głębokiej sieci neuronowej, która będzie zdolna do rozróżniania i klasyfikowania różnych rodzajów cząstek w oparciu o obrazy cyfrowe. W tym celu zgromadzono treningowe zbiory danych dotyczących każdego rodzaju cząstek. Sieć uczono rozróżniania różnych rodzajów cząstek, używając dziesiątek tysięcy obrazów. „Ustaliliśmy, że sieć jest w stanie klasyfikować cząstki z bardzo dużą dokładnością”, mówi Barbante. „Użyliśmy jej do przeanalizowania próbek pobranych z rdzeni lodowych wydobytych w ramach projektu GRIP (Greenland Ice Core Project). Materiały te pochodzą sprzed od 13 000 do 17 000 lat”.
Dokładny zapis warunków klimatycznych
Barbante i jego zespół dokonali kilku odkryć. Udało im się zidentyfikować cząstki tefry pochodzącej ze znanych erupcji wulkanicznych, co w praktyce udowodniło, że stosowanej przez nich techniki można używać do szukania śladów przeszłych wybuchów wulkanicznych w rdzeniach lodowych. Ponadto w próbkach lodu pochodzących z Andów Peruwiańskich wykryto obecność okrzemek – jednokomórkowych glonów żyjących w oceanach. Projekt ICELEARNING z powodzeniem zademonstrował, że metoda ta może wspomagać analizy laboratoryjne, ponieważ pozwala zaoszczędzić pracę, czas i pieniądze. Może też przyczynić się do otwarcia nowych kierunków badań nad słabiej poznanymi cząstkami – na przykład nad okrzemkami. „Projekt ICELEARNING stanowił w zasadzie pilotażowe badanie, którego celem było zademonstrowanie możliwości praktycznego wykorzystania tej koncepcji”, dodaje Barbante. „Kolejne kroki polegać będą na rozszerzeniu modelu w celu uwzględniania innych cząstek oraz zwiększeniu skali stosowanych próbek”. Barbante ma również nadzieję, że projekt ten wspomoże realizację finansowanego przez UE projektu Beyond EPICA Oldest Ice Core, który bada osady starsze niż 1 milion lat. Rezultatem tej inicjatywy mogą być nowe informacje o cechach dawnego klimatu Ziemi.
Słowa kluczowe
ICELEARNING, lód, klimatyczny, polarny, lodowce, FlowCam, wulkaniczny, klimat
