Wissenschaftler haben ein System künstlicher Intelligenz (KI) darauf trainiert, die Oberfläche und Umrisse riesiger Eisberge, die auf Satellitenbildern erfasst wurden, in einer Hundertstelsekunde genau abzubilden. Der Artikel mit dem Titel „Kartierung der Ausdehnung riesiger antarktischer Eisberge mit Deep Learning“ ist veröffentlicht in Die Kryosphäre.
Dies ist ein großer Fortschritt gegenüber bestehenden automatisierten Systemen, die Schwierigkeiten haben, Eisberge von anderen Merkmalen im Bild zu unterscheiden. Eine manuelle – oder menschliche – Interpretation des Bildes ist genauer, aber es kann mehrere Minuten dauern, bis die Umrisse eines einzelnen Eisbergs erkennbar sind. Wenn dies mehrmals wiederholt werden muss, wird der Vorgang schnell zeitaufwändig und mühsam.
Eisberge haben erhebliche Auswirkungen auf die polare Umwelt und ihre Überwachung ist sowohl für die Sicherheit des Seeverkehrs als auch für wissenschaftliche Studien von entscheidender Bedeutung. Sie können extrem groß sein – in manchen Fällen so groß wie kleine Länder – und eine Gefahr für vorbeifahrende Schiffe darstellen. Wenn Eisberge schmelzen, geben sie Nährstoffe und Süßwasser in die Meere ab, was Auswirkungen auf die Meeresökosysteme haben kann.
Dr. Anne Braakmann-Folgmann, die die Studie während ihrer Doktorarbeit am Centre for Polar Observation and Monitoring an der University of Leeds leitete, sagte: „Eisberge gibt es in schwer zugänglichen Teilen der Welt und Satelliten sind nicht nur eine Sie sind ein fantastisches Werkzeug, um zu beobachten, wo sie sich befinden, und können Wissenschaftlern helfen, den Prozess zu verstehen, wie sie schmelzen und schließlich beginnen, auseinanderzubrechen.
„Der Einsatz des neuen KI-Systems überwindet einige der Probleme bestehender automatisierter Ansätze, die Schwierigkeiten haben können, zwischen Eisbergen und anderem auf dem Meer schwimmenden Eis oder sogar einer nahegelegenen Küstenlinie zu unterscheiden, die im selben Bild vorhanden sind.“
Neurales Netzwerk
Dr. Braakmann-Folgmann und ihre Kollegen verwendeten einen Algorithmus namens U-net – eine Art neuronales Netzwerk –, um einem Computer beizubringen, die Umrisse von Eisbergen anhand von Bildern, die von Sentinel-1-Satelliten der Europäischen Weltraumorganisation aufgenommen wurden, genau abzubilden.
Im Rahmen der Studie wurde die Wirksamkeit des U-net-Algorithmus mit zwei anderen hochmodernen Algorithmen zur Kartierung von Eisbergen verglichen. Sie sind als k-means und Otsu bekannt. Die Algorithmen wurden so programmiert, dass sie den größten Eisberg in einer Reihe von Satellitenbildern identifizieren.
Bild 1 zeigt den U-net-Algorithmus, der den rot hervorgehobenen Eisberg korrekt identifiziert. Im Vergleich dazu hat der K-Means-Algorithmus eine Ansammlung kleinerer Eisberge und Eisfragmente (blau dargestellt) fälschlicherweise als einen großen Eisberg identifiziert. Das wird in Bild 2 deutlich.
Bild 3 zeigt, wie das U-Net den Eisberg korrekt identifiziert, diesmal umgeben von Meereis. Der Eisberg ist rot hervorgehoben und das Meereis ist als graue Struktur zu erkennen. Der K-Means-Algorithmus hat jedoch den Eisberg und das Meereis als einen einzigen Eisberg identifiziert. Der Algorithmus ist nicht in der Lage, zwischen den beiden zu unterscheiden, obwohl es sich um unterschiedliche Objekte handelt, bei denen Meereis eher flaches Eis auf dem Meer ist und ein Eisberg mehrere Meter darüber steht. (Gezeigt in Bild 4)
Wie der Algorithmus funktioniert
Animation 1 zeigt, wie der Algorithmus funktioniert. Es verwendet einen Ansatz zur Manipulation von Bildern. Durch die Analyse der Pixel im Bild kann die Grenze oder der Umriss von Objekten bestimmt werden, in diesem Fall der Umriss des Eisbergs.
Diese Animation (Animation 1) zeigt, wie der Algorithmus funktioniert. Durch die Analyse der Pixel im Bild kann die Grenze oder der Umriss von Objekten bestimmt werden, in diesem Fall der Umriss des Eisbergs. Bildnachweis: Dr. Anne Braakmann-Folgmann und die Europäische Weltraumorganisation
Animation 2 vergleicht den U-Net-Algorithmus mit dem viel langsameren manuellen Ansatz.
Dr. Braakmann-Folgmann, der jetzt an der Arktischen Universität Norwegens in Tromsø arbeitet, sagte, die Technologie könne zu neuen Diensten führen, die Informationen über die Form und Größe riesiger Eisberge liefern. Aktuelle Kartendienste zeigen nur den Mittelpunkt oder die zentrale Lage und Länge von Eisbergen. Durch die Interpretation mit diesem neuen Ansatz können Umriss und Fläche berechnet werden.
Sie fügte hinzu: „Die Möglichkeit, die Ausdehnung von Eisbergen automatisch und mit erhöhter Geschwindigkeit und Genauigkeit zu kartieren, ebnet den Weg für einen operativen Dienst, der regelmäßig und automatisch die Umrisse von Eisbergen bereitstellt. Durch die Kombination mit Messungen der Eisbergdicke können Wissenschaftler auch überwachen, wo riesige Eisberge freigesetzt werden.“ riesige Mengen Süßwasser in die Ozeane. Es gibt Dienste, die Daten über den Standort von Eisbergen liefern – aber nicht über deren Umriss oder Fläche.“
Diese Animation (Animation 2) vergleicht den U-Net-Algorithmus mit dem viel langsameren manuellen Ansatz. Bildnachweis: Dr. Anne Braakmann-Folgmann und die Europäische Weltraumorganisation
Genauigkeit des Kartierungssystems
Das System wurde anhand von Satellitenbildern von sieben Eisbergen getestet, die alle zwischen der Größe der Stadt Bern – 54 km2 – lagen; und Hongkong – 1.052 km2. Für jeden dieser Eisberge wurden bis zu 46 Bilder verwendet, die alle Jahreszeiten von 2014 bis 2020 abdeckten.
In einer Reihe von Tests übertraf U-net die beiden anderen Algorithmen und war effektiver bei der Darstellung der Umrisse eines Eisbergs in Bildern, die unter schwierigen Umgebungsbedingungen aufgenommen wurden, beispielsweise wenn das Bild viele Eisstrukturen einfing.
Im Durchschnitt ergab der U-net-Algorithmus nur eine um 5 % geringere Schätzung der Fläche eines Eisbergs. Im Gegensatz dazu lieferten die k-means- und Otsu-Algorithmen im Durchschnitt Zahlen für die Eisbergfläche, die 150 bis 170 % zu groß waren, wahrscheinlich weil die Algorithmen Meereis und sogar die nahe gelegene Küste in die Berechnungen einbezog.
Beim maschinellen Lernen ist der F1-Score eine Bewertung der Leistung eines Algorithmus und reicht von 0 bis 1, wobei Werte näher bei eins eine höhere Präzision anzeigen. U-net erreichte einen F1-Score von 0,84. Die beiden anderen Algorithmen erzielten beide einen Wert von 0,62.
Andrew Shepherd, Professor an der University of Northumbria und einer der Co-Autoren der Studie, sagte: „Diese Studie zeigt, dass maschinelles Lernen es Wissenschaftlern ermöglichen wird, abgelegene und unzugängliche Teile der Welt nahezu in Echtzeit zu überwachen. Und zwar mit Maschine.“ Durch Lernen wird der Algorithmus genauer, da er aus Fehlern bei der Interpretation eines Satellitenbildes lernt.“
Mehr Informationen:
Kartierung der Ausdehnung riesiger antarktischer Eisberge mit Deep Learning, Die Kryosphäre (2023). tc.copernicus.org/articles/17/4675/2023/