Täglich landet immer mehr Plastikmüll in den Ozeanen. Mithilfe von Satellitenbildern können Müllansammlungen an Küsten und im Meer erkannt und beseitigt werden. Ein Forschungsteam hat ein neues Modell der künstlichen Intelligenz entwickelt, das schwimmende Kunststoffe auf Satellitenbildern viel genauer erkennt als bisher, selbst wenn die Bilder teilweise von Wolken verdeckt sind oder die Wetterbedingungen diesig sind.
Unsere Gesellschaft ist stark auf Kunststoffprodukte angewiesen und es wird erwartet, dass die Menge an Plastikmüll in Zukunft zunehmen wird. Wenn es nicht ordnungsgemäß entsorgt oder recycelt wird, sammelt sich ein Großteil davon in Flüssen und Seen an. Schließlich gelangt es in die Ozeane, wo es zusammen mit natürlichen Materialien wie Treibholz und Algen Ansammlungen von Meeresmüll bilden kann.
Eine neue Studie von Forschern der Universität Wageningen und der EPFL, kürzlich veröffentlicht in iScience, hat einen auf künstlicher Intelligenz basierenden Detektor entwickelt, der die Wahrscheinlichkeit abschätzt, dass Meeresmüll auf Satellitenbildern zu sehen ist. Dies könnte dazu beitragen, Plastikmüll systematisch mit Schiffen aus den Meeren zu entfernen.
Durchsuchen von Satellitenbildern mit KI
Ansammlungen von Meeresmüll sind in frei verfügbaren Sentinel-2-Satellitenbildern sichtbar, die weltweit alle 2–5 Tage Küstengebiete auf Landmassen und Küstengebieten erfassen. Da es sich hierbei um Terabytes an Daten handelt, müssen die Daten automatisch durch Modelle der künstlichen Intelligenz wie tiefe neuronale Netze analysiert werden.
Marc Rußwurm, Assistenzprofessor an der Universität Wageningen, sagt: „Diese Modelle lernen aus Beispielen von Ozeanographen und Fernerkundungsspezialisten, die mehrere tausend Fälle von Meeresmüll in Satellitenbildern an Orten auf der ganzen Welt visuell identifiziert haben. Auf diese Weise haben sie trainiert.“ „Das Modell zur Erkennung von Plastikmüll.“
Verbesserte Erkennung unter schwierigen Bedingungen
Die Forscher entwickelten einen KI-basierten Meeresmülldetektor, der für jedes Pixel in Sentinel-2-Satellitenbildern die Wahrscheinlichkeit des Vorhandenseins von Meeresmüll abschätzt. Der Detektor wird nach datenzentrierten KI-Prinzipien trainiert, die darauf abzielen, die begrenzten Trainingsdaten, die für dieses Problem verfügbar sind, optimal zu nutzen.
Ein Beispiel ist der Entwurf eines Computer-Vision-Algorithmus, der manuelle Anmerkungen von Experten präzise an den in den Bildern sichtbaren Trümmern anbringt. Mit diesem Tool können Ozeanographen und Fernerkundungsexperten mehr Trainingsdatenbeispiele bereitstellen, indem sie beim manuellen Klicken von Umrissen weniger präzise vorgehen.
Insgesamt lehrt diese Trainingsmethode in Kombination mit dem Verfeinerungsalgorithmus dem Erkennungsmodell der tiefen künstlichen Intelligenz, Meeresschuttobjekte besser vorherzusagen als frühere Ansätze.
Rußwurm sagt: „Der Detektor bleibt auch unter schwierigeren Bedingungen genau, beispielsweise wenn Wolkendecke und atmosphärischer Dunst es bestehenden Modellen erschweren, Meeresmüll genau zu identifizieren.“
Nach Plastikmüll nach den Osterüberschwemmungen in Durban 2019
Besonders wichtig ist die Erkennung von Kunststoffen im Meeresmüll unter schwierigen atmosphärischen Bedingungen mit Wolken und Dunst, da Kunststoffe nach Regen- und Überschwemmungsereignissen häufig in offene Gewässer gespült werden. Das zeigen die Durban-Osterüberschwemmungen in Südafrika: Im Jahr 2019 führte eine lange Regenperiode zu überfluteten Flüssen, wodurch deutlich mehr Müll weggeschwemmt wurde als normal.
Es wurde durch den Hafen von Durban in den offenen Indischen Ozean mitgenommen. Auf Satellitenbildern sind solche zwischen Wolken schwebenden Objekte schwer zu unterscheiden, wenn man die üblichen Rot-Grün-Blau-Farbkanäle verwendet. Sie können durch Umschalten auf andere Spektralkanäle, einschließlich Licht im nahen Infrarot, sichtbar gemacht werden.
Die Doppelansicht verrät die Driftrichtungen
Neben einer genaueren Vorhersage von Ansammlungen von Meeresschutt wird das Erkennungsmodell auch Trümmer in täglich zugänglichen PlanetScope-Bildern erkennen.
„Die Kombination von wöchentlichem Sentinel-2 mit täglichen PlanetScope-Aufnahmen kann die Lücke zu einer kontinuierlichen täglichen Überwachung schließen“, erklärte Rußwurm.
„Außerdem erfassen PlanetScope und Sentinel-2 manchmal dasselbe Stück Meeresschutt am selben Tag im Abstand von nur wenigen Minuten. Diese Doppelansicht desselben Objekts an zwei Standorten zeigt die Driftrichtung aufgrund von Wind und Meeresströmungen auf dem Wasser.“ Diese Informationen können verwendet werden, um Driftschätzungsmodelle für Meeresmüll zu verbessern.“
Mehr Informationen:
Marc Rußwurm et al, Großflächige Detektion von Meeresmüll in Küstengebieten mit Sentinel-2, iScience (2023). DOI: 10.1016/j.isci.2023.108402