1 of 9

Использование ML для определения концентрации взвешенного вещества �по данным оптических и акустических датчиков

Дробосюк Наталья Сергеевна

НС222, аспирантка Географического факультета

​

2022 г.

Курс «Нейронные сети и их применение в научных исследованиях»

2 of 9

Использование ML для определения концентрации взвешенного вещества �по данным оптических датчиков

Локальные повышения мутности на данном разрезе совпадают с границами водных масс (красные линии).

Распределение мутности �на разрезе вдоль разлома Вима

3 of 9

Постановка задачи

Цель: анализ натурных данных о распределении взвешенного вещества по данным оптических датчиков и связи его со структурой вод во внутритропической части Атлантического океана.

​

Оптическая мутность – показатель содержания взвеси.

​

Предполагается связь между распределением оптической мутности со структурой вод.

Основная гипотеза: на границе раздела водных масс находятся пиковые значения оптической мутности.

​

​

Использование ML для определения концентрации взвешенного вещества �по данным оптических датчиков

4 of 9

Сбор датасета

  1. Поиск и приведение к единому формату данных из открытых источников
  2. Расчет показателей:
  3. шаг измерения по глубине
  4. DateTime преобразован в год, месяц, час суток.
  5. плотность воды, потенциальная температура, частота плавучести Вяйсаля-Брента.
  6. первые и вторые производные основных величин.

​

​

​

Использование ML для определения концентрации взвешенного вещества �по данным оптических датчиков

5 of 9

Использование ML для определения концентрации взвешенного вещества �по данным оптических датчиков

​

​

Итоговый набор данных

Показатели

источник данных

( File_name , Event, TurbidityUnit, шаг измерений по глубине dh)

описание станции

(DateTime (год, месяц, час суток), Latitude, Longitude,глубина дна Elevation[m], максимальная глубина промера Max.Depth[m])

данные промеров по глубине

Мутность ( Turbidity)

измеренные

основные ( Depth[m],Temperature[°C], Salinity[psu],Oxygen[umol/g])

дополнительные (Eh[mV], рН,SoundVelocity[m/s], Fluorescence[arbitrary units],Chla[umol/g], Nitrate)

расчетные

плотность воды,потенциальная температура, частота Вяйсаля-Брента,

первые и вторые производные по глубине для мутности и основных параметров.

6 of 9

Коэффициент

корреляции Пирсона

Высокая корреляция между основными показателями – из-за закономерного распределения температуры, солёности, наличия водных масс с присущими ими характеристиками

​

Между значением мутности и флуоресцентности корреляция выше 0.9 из-за их взаимозависимости и общих принципов измерения.

Для абсолютных значений мутности прослеживается связь с глубиной дна.

�Значимая зависимость между производными мутности, кислорода, частотой Вяйсаля-Брента, солёностью – подтверждает связь со стратификацией.

�

​

Использование ML для определения концентрации взвешенного вещества �по данным оптических датчиков

7 of 9

Использование ML для определения концентрации взвешенного вещества �по данным оптических датчиков

Коэффициент детерминации для различных моделей

​

Первичный анализ�10000 образцов данных из общего числа 1882549 строк

Turbidity'

'Latitude', 'Longitude',

'MaxDepth', 'Elevation',

'Depth',

'Temperature’, 'Salinity',

'Oxygen',

'Density_in_situ',

'Y', 'M', 'H

8 of 9

Использование ML для определения концентрации взвешенного вещества �по данным оптических датчиков

N, производные

Основных параметры

Характеристики станций

Гистограммы распределения

9 of 9

Использование ML для определения концентрации взвешенного вещества �по данным оптических датчиков

  • Собран набор данных, для анализа которых возможно применение методов классического машинного обучения (деревьев).
  • Предполагается соответствие пиков оптической мутности и частоты плавучести; высоких градиентов и пиков оптической мутности и концентраций кислорода.
  • Наблюдается слабая отрицательная связь между значениями мутности и солёности, прослеживается связь с глубиной дна

​

Заключение