Hybrydowe modelowanie przestrzenno‑czasowe obiegu składników odżywczych w ekosystemach mokradeł z wykorzystaniem zaawansowanych technik mapowania i podejść uczenia maszynowego

Dlaczego te ukryte filtry wodne mają znaczenie

Mokradła po cichu chronią nasze rzeki i wodę pitną, wchłaniając nadmiar nawozów i innych zanieczyszczeń spływających z gospodarstw i miast. Jednak ze względu na ich rozległość, wilgotność i trudny dostęp, naukowcom trudno było śledzić, jak skutecznie te naturalne filtry działają w czasie. To badanie pokazuje, jak połączenie próbkowania wody w terenie, obrazów satelitarnych i uczenia maszynowego może przekształcić niewielki system mokradeł w Ohio w szczegółowy, ruchomy obraz jego stanu — sezon po sezonie i rok po roku.

Obserwacja składników odżywczych z kosmosu i pieszo

Naukowcy skupili się na Beavercreek Wetlands Greenway w stanie Ohio, mozaikowym krajobrazie, gdzie spotykają się dzielnice miejskie, pola uprawne, lasy i bagna. Przez cztery lata pobierali miesięczne próbki wody w trzech mokradłach wzdłuż strumienia, mierząc dwa kluczowe składniki odżywcze: azot i fosfor. W umiarkowanych ilościach wspierają roślinność, ale w nadmiarze mogą wywoływać zakwity glonów i pozbawiać wodę tlenu. Aby wyjść poza rozproszone punkty pomiarowe, zespół powiązał te pomiary z wysokorozdzielczymi danymi satelitarnymi z europejskich misji Sentinel‑1 i Sentinel‑2, przetwarzanymi w Google Earth Engine.

Dwustopniowy sposób „odczytu” krajobrazu

Zamiast wrzucać wszystkie rodzaje danych do jednego dużego modelu, autorzy zbudowali dwustopniowe ramy uczenia maszynowego oparte na popularnym algorytmie Random Forest. W pierwszym etapie model przewidywał poziomy składników odżywczych, korzystając z szerokich cech mokradeł, takich jak kształt, wielkość, otaczające użytkowanie terenu (np. las, pola uprawne, zabudowa) oraz niedawne opady i temperatura. Powstała w ten sposób „mapa bazowa”, która uchwyciła, jak krajobraz ogólnie zlewa lub pochłania składniki odżywcze. W drugim etapie oddzielny model skupił się wyłącznie na tym, czego pierwszy nie wyjaśnił: pozostałych błędach przestrzennych. Próbował tłumaczyć te drobniejsze wzory, wykorzystując ciągłe zmienne pochodzące z satelity, takie jak wskaźniki wegetacji i radarowe miary wody oraz struktury roślinnej.

Sezonowy stres i sygnały regeneracji

Łącząc oba etapy, zespół uzyskał kwartalne mapy azotu i fosforu w latach 2021–2024 o rozdzielczości wystarczająco szczegółowej, by dostrzegać zmiany wzdłuż długości mokradeł. Azot wykazywał silne, powtarzające się wahania sezonowe, z wyższymi stężeniami wiosną i latem (drugi i trzeci kwartał) oraz niższymi wartościami w chłodniejszych miesiącach. W ciągu czterech lat poziomy azotu na początku roku nieco wzrosły, a letnie szczyty w 2022 i 2023 roku były szczególnie wysokie, wskazując na powtarzający się sezonowy stres związany z wilgotniejszymi miesiącami i działalnością rolniczą w otaczającym zlewni.

Inny składnik, inna historia

Fosfor opowiedział inną historię. W 2021 roku jego stężenia były podwyższone na dużej części systemu mokradeł, ale mapy ujawniły stały spadek w większości obszarów w 2022, 2023 i 2024 roku, szczególnie w kwartale zimowym. Utrzymywało się jednak gorące miejsce w szerszym środkowym odcinku mokradeł, zwłaszcza podczas niskich stanów przepływu późnym latem, co sugeruje wewnętrzne uwalnianie zmagazynowanego fosforu z osadów. Analiza zmiennych, na których modele opierały się w największym stopniu, wykazała, że azot zależał zarówno od kontekstu krajobrazowego, jak i lokalnych warunków w korycie uchwyconych przez satelity, podczas gdy fosfor był napędzany głównie przez położenie terenów zabudowanych i rolniczych wokół mokradeł.

Co to oznacza dla ochrony mokradeł

Dla osoby spoza specjalności kluczowy wniosek jest taki, że nie wszystkie problemy ze składnikami odżywczymi są takie same, a satelity mogą pomóc je rozróżnić. Nowe ramy dokładnie śledziły azot i fosfor w przestrzeni i czasie, pokazując, że azot pozostaje rozproszonym, sezonowo powtarzającym się problemem związanym z praktykami rolniczymi i roślinnością mokradeł, podczas gdy fosfor znacząco się poprawił w miarę zmniejszania się ładunków z otaczających obszarów zabudowanych, z wyjątkiem uporczywego gorącego punktu. To dwustopniowe, mapowe podejście oferuje zarządcom praktyczne narzędzie diagnostyczne: może szybko wskazać miejsca problematyczne, zasugerować, czy rozwiązania powinny koncentrować się na zmianach w użytkowaniu terenu, kontrolach spływu miejskiego czy procesach wewnątrz mokradeł, i zostać dostosowane do innych zagadnień jakości wody w miarę jak klimat, użytkowanie terenu i działania ochronne będą nadal kształtować nasze mokradła.

Cytowanie: Salas, E.A.L., Schrack, K., Kumaran, S.S. et al. Hybrid spatiotemporal modeling of nutrient cycling in wetland ecosystems using advanced mapping techniques and machine learning approaches. Sci Rep 16, 9954 (2026). https://doi.org/10.1038/s41598-026-40585-5

Słowa kluczowe: mokra, zanieczyszczenie składnikami odżywczymi, teledetekcja, uczenie maszynowe, jakość wody