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).
