Seen auf der ganzen Welt haben mit den Auswirkungen der Eutrophierung zu kämpfen, wie zum Beispiel Algenblüten, die vor allem auf einen Überschuss an Stickstoff und Phosphor zurückzuführen sind. Die schädlichen Umweltauswirkungen anthropogener Aktivitäten und des Klimawandels verschärfen die Situation zusätzlich und erfordern daher verbesserte und wirksame Maßnahmen.
Die Wasserumleitung zwischen den Becken hat sich mit Projekten wie dem Süd-Nord-Wasserumleitungsprojekt und dem Niulan-Fluss-Dianchi-Wasserumleitungsprojekt in China als herausragende Lösung herausgestellt. Ziel dieser Projekte ist es, die Wasserqualität des Sees durch die Erweiterung der verfügbaren Wasserressourcen und die Beschleunigung der Wasserzirkulation zu verbessern. Allerdings kämpfen herkömmliche Wasserumleitungsmaßnahmen mit dem Problem, die Wasserqualität zu verbessern und gleichzeitig die Menge des umgeleiteten Wassers zu minimieren.
In einer neuen Studie, die in der Zeitschrift veröffentlicht wurde Umweltwissenschaften und ÖkotechnologieForscher der Universität Peking haben eine innovative Strategie namens Dynamic Water Diversion Optimization (DWDO) entwickelt, um die dringende Notwendigkeit zu unterstreichen, die anhaltende Herausforderung der Verbesserung der Wasserqualität in eutrophen Seen anzugehen.
Diese innovative Strategie, die tiefes Reinforcement Learning mit einem komplexen Wasserqualitätsmodell verbindet, wurde im Dianchi-See, Chinas größtem eutrophen Süßwassersee, getestet. Das DWDO-Modell reduzierte die Gesamtstickstoff- und Gesamtphosphorkonzentrationen deutlich um 7 % bzw. 6 %, während die jährliche Wasserumleitung einen erstaunlichen Rückgang von 75 % verzeichnete.
DWDO integriert Deep Reinforcement Learning in ein umfassendes Wasserqualitätsmodell. Diese bahnbrechende Methode identifiziert die Auswirkungen verschiedener Faktoren wie meteorologische Indikatoren und die Wasserqualität sowohl der Quelle als auch des Sees auf die optimale Wasserumleitung. Es zeigt die Anpassungsfähigkeit der Wasserumleitung als Reaktion auf den spezifischen Wert einer einzelnen Eingabevariablen und mehrere Faktoren, die die Echtzeitanpassung der Wasserumleitung beeinflussen.
Die Wirksamkeit von DWDO liegt in seiner Robustheit unter verschiedenen Unsicherheiten und der kürzeren theoretischen Trainingszeit im Vergleich zu herkömmlichen Simulationsoptimierungsalgorithmen. Diese Robustheit ermöglicht es, eine effektive Entscheidungsfindung im Wasserqualitätsmanagement zu unterstützen und dadurch sein Potenzial für eine breitere Anwendung zu erweitern. Die Forscher konnten auch durch interpretierbares maschinelles Lernen wichtige Erkenntnisse aus DWDO gewinnen. Sie deckten die wesentlichen Treiber hinter den optimalen Umleitungsentscheidungen und ihren Beitrag zur Verbesserung der Wasserqualität auf.
DWDO wurde außerdem gründlich unter verschiedenen Hyperparametersätzen getestet, was seine Robustheit und Flexibilität bestätigte.
Insgesamt stellt die DWDO-Strategie ein vielversprechendes Instrument zur Eutrophierungskontrolle dar. Durch die Sicherstellung eines dynamischen Gleichgewichts zwischen Wasserqualitätsverbesserung und Betriebskosten könnte DWDO ein wesentlicher Bestandteil zukünftiger Wasserqualitätsmanagement- und Wiederherstellungsstrategien werden.
Dieser innovative Ansatz stellt einen bedeutenden Fortschritt bei der Bewältigung der globalen Herausforderung der Verbesserung der Wasserqualität in eutrophen Seen dar. Da wir weiterhin mit den doppelten Bedrohungen zunehmender anthropogener Aktivitäten und Klimawandel konfrontiert sind, wird die Nachfrage nach solchen anpassungsfähigen und robusten Lösungen nur noch zunehmen.
Mehr Informationen:
Qingsong Jiang et al., Deep-Reinforcement-Learning-basierte Wasserumleitungsstrategie, Umweltwissenschaften und Ökotechnologie (2023). DOI: 10.1016/j.ese.2023.100298