Forscher entwickeln KI-Modell, das Satellitenbilder verwendet, um Plastik im Meer zu erkennen.

22. November 2023

Dieser Artikel wurde gemäß dem redaktionellen Prozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Merkmale hervorgehoben und dabei die Glaubwürdigkeit des Inhalts sichergestellt:

• Tatsachenüberprüfung
• Begutachtete Veröffentlichung
• Vertrauenswürdige Quelle
• Korrekturgelesen

von der Wageningen University

Immer mehr Plastikabfälle gelangen täglich in die Meere. Satellitenbilder können helfen, Ansammlungen von Abfällen entlang der Küsten und auf hoher See zu erkennen, damit sie entfernt werden können. Ein Forschungsteam hat ein neues künstliche Intelligenz-Modell entwickelt, das schwimmendes Plastik auf Satellitenbildern viel genauer erkennt als zuvor, selbst wenn die Bilder teilweise von Wolken bedeckt sind oder die Wetterbedingungen trübe sind.

Unsere Gesellschaft ist stark von Kunststoffprodukten abhängig, und die Menge an Plastikabfall wird in Zukunft voraussichtlich zunehmen. Wenn er nicht ordnungsgemäß entsorgt oder recycelt wird, sammelt sich ein großer Teil davon in Flüssen und Seen an. Schließlich gelangt es in die Ozeane, wo es zusammen mit natürlichen Materialien wie Treibholz und Algen Ablagerungen von Meeresmüll bilden kann.

Eine neue Studie von Forschern der Wageningen University und der EPFL, kürzlich in iScience veröffentlicht, hat einen auf künstlicher Intelligenz basierenden Detektor entwickelt, der die Wahrscheinlichkeit von Meeresmüll auf Satellitenbildern schätzt. Dies könnte helfen, systematisch Plastikabfälle aus den Ozeanen mit Schiffen zu entfernen.

Ablagerungen von Meeresmüll sind auf frei verfügbaren Sentinel-2-Satellitenbildern sichtbar, die alle 2-5 Tage weltweit Küstengebiete auf Landmassen und Küsten erfassen. Da es sich um Terabytes an Daten handelt, müssen die Daten automatisch durch künstliche Intelligenz-Modelle wie Deep Neural Networks analysiert werden.

Marc Rußwurm, Assistenzprofessor an der Wageningen University, sagt: "Diese Modelle lernen aus Beispielen, die von Ozeanographen und Fernerkundungsspezialisten bereitgestellt wurden, die mehrere tausend Instanzen von Meeresmüll in Satellitenbildern an Standorten auf der ganzen Welt visuell identifiziert haben. Auf diese Weise wurde das Modell 'trainiert', Plastikabfälle zu erkennen."

Die Forscher haben einen KI-basierten Meeresmüll-Detektor entwickelt, der die Wahrscheinlichkeit von Meeresmüll für jeden Pixel in Sentinel-2-Satellitenbildern schätzt. Der Detektor wird gemäß datenzentrischer KI-Prinzipien geschult, die darauf abzielen, den begrenzten Trainingsdatensatz, der für dieses Problem verfügbar ist, bestmöglich zu nutzen.

Ein Beispiel dafür ist die Gestaltung eines Computer Vision-Algorithmus, der manuelle Annotationen von Experten präzise auf den in den Bildern sichtbaren Müll auslöst. Mit diesem Tool können Ozeanographen und Fernerkundungsexperten mehr Beispiele für Trainingsdaten liefern, indem sie bei der manuellen Klicks von Umrissen weniger präzise sind.

Insgesamt lehrt diese Schulungsmethode in Kombination mit dem Verfeinerungsalgorithmus das KI-Detektionsmodell dazu, Meeresmüllobjekte besser vorherzusagen als bisherige Ansätze.

Rußwurm sagt: "Der Detektor bleibt auch bei schwierigeren Bedingungen genau, zum Beispiel wenn Wolkenbedeckung und atmosphärischer Dunst es bestehenden Modellen schwer machen, Meeresmüll präzise zu identifizieren."

Die Detektion von Kunststoffen im Meeresmüll unter schwierigen atmosphärischen Bedingungen mit Wolken und Dunst ist besonders wichtig, da Kunststoffe oft nach Regen- und Hochwasserereignissen in offene Gewässer gespült werden. Dies wird durch das Durban-Osterhochwasser in Südafrika deutlich: Im Jahr 2019 führte eine lange Regenzeit zu überfluteten Flüssen, wodurch viel mehr Müll weggeschwemmt wurde als normalerweise.

Er gelangte durch den Durban-Hafen in den offenen Indischen Ozean. In Satellitenbildern sind solche Objekte, die zwischen den Wolken schwimmen, schwer zu unterscheiden, wenn die üblichen Rot-Grün-Blau-Farbkanäle verwendet werden. Sie können durch den Wechsel zu anderen spektralen Kanälen, einschließlich Nahinfrarotlicht, visualisiert werden.

Abgesehen von einer genaueren Vorhersage von Meeresmüllablagerungen wird das Detektionsmodell auch auf Trümmerteile in täglich zugänglichen PlanetScope-Bildern aufmerksam.

"Die Kombination von wöchentlichen Sentinel-2- und täglichen PlanetScope-Aufnahmen kann die Lücke zur kontinuierlichen täglichen Überwachung schließen", erklärte Rußwurm.

"Darüber hinaus erfassen PlanetScope und Sentinel-2 manchmal dieselbe Ansammlung von Meeresmüll am selben Tag nur wenige Minuten hintereinander. Diese doppelte Ansicht desselben Objekts an zwei Orten zeigt die Driftrichtung durch Wind und Meeresströmungen auf dem Wasser. Diese Informationen können verwendet werden, um Driftschätzungsmodelle für Meeresmüll zu verbessern."

Bereitgestellt von Wageningen University