Ученые СевГУ и Института природно-технических систем (ИПТС) разработали систему, благодаря которой по поведению двустворчатых моллюсков можно узнавать о загрязнении водоемов на несколько часов раньше, чем при традиционных способах мониторинга. Об этом рассказал ТАСС заместитель руководителя центра экологического приборостроения и экоэнергетики ИПТС Александр Греков.
«С начала 2023 года наша команда реализует грант Российского научного фонда, работа по нему близится к завершению. Сделано очень многое, обработан большой массив информации. И одним из направлений работы был подбор алгоритмов машинного обучения, которые позволили бы использовать двустворчатых моллюсков как биоиндикаторы в автоматизированных системах мониторинга состояния водной среды», — заявил Александр Греков.
Эксперимент проводился в акватории реки Черная, которая течет от источника в горах до Севастопольской бухты, при этом в верховьях реки обустроено водохранилище.
Известно, что после сильных дождей сточные воды выносят в реку различные загрязняющие вещества. На данный момент ее состояние отслеживают традиционными способами с забором и исследованием проб, а значит информация о факте загрязнения может поступать с задержкой в несколько часов - вплоть до половины суток.
Для своего исследования Греков и его коллеги использовали моллюсков вида Unio pictorum, или перловица обыкновенная, которые обитают на водозаборе в русле реки Черной. Накопленные научными коллективами ИПТС и СевГУ данные к тому моменту уже позволяли предположить, что перловицы реагируют на загрязнения движениями створок.
«Данные о том, с какой скоростью и на какое расстояние раскрываются створки, мы фиксировали с помощью магнита, установленного на одной створке, и датчика, установленного на другой. Полученные от таких датчиков данные, получаемые сразу от нескольких разных особей, обрабатывались с помощью алгоритмов машинного обучения», - отметил Александр Греков.
Для обучения нейросети использовали также сведения, полученные при исследовании взятых вручную проб. В результате искусственный интеллект удалось «натренировать» на распознавание загрязнений по движениям створок.
«Мы апробировали несколько вариантов алгоритмов машинного обучения, и в итоге все они позволяли получить данные на несколько часов быстрее, чем, в среднем, традиционные методы. Но при этом и между самым быстрым и самым долгим результатами [работы нейросетей в зависимости от алгоритма] также была значительная разница», - подчеркнул Александр Греков.
