AI hilft beim Aufspüren von Plastik in den Ozeanen

Unsere Gesellschaft ist in hohem Masse auf Kunststoffprodukte angewesen, und es wird erwartet, dass die Menge an Kunststoffabfällen in Zukunft zunehmen wird. Wenn er nicht ordnungsgemäss entsorgt oder recycelt wird, sammelt sich ein Grossteil davon in Flüssen und Seen an. Schliesslich fliesst er in die Ozeane, wo er zusammen mit natürlichen Materialien wie Treibholz und Algen Ansammlungen von Meeresmüll bilden kann. Eine neue Studie von Forschenden der Universität Wageningen und der EPFL, die kürzlich in Cell iScience veröffentlicht wurde, hat einen auf künstlicher Intelligenz basierenden Detektor entwickelt, der die Wahrscheinlichkeit von Meeresmüll auf Satellitenbildern schätzt. Dies könnte dazu beitragen, Plastikmüll systematisch mit Schiffen aus den Meeren zu entfernen.

Automatische Analyse

Die Anhäufung von Müll im Meer ist auf den frei verfügbaren Sentinel-2-Satellitenbildern der Europäischen Weltraumorganisation zu sehen, die weltweit alle 2 bis 5 Tage Küstengebiete an Landmassen und Küstenregionen erfassen. Da es sich dabei um Terabytes an Daten handelt, müssen diese Daten automatisch mit Hilfe von Modellen der künstlichen Intelligenz wie tiefen neuronalen Netzen analysiert werden. Marc Rußwurm, Assistenzprofessor an der Universität Wageningen und ehemaliger Forscher an der EPFL: «Diese Modelle lernen anhand von Beispielen, die von Ozeanographen und Fernerkundungsspezialisten geliefert werden, die mehrere tausend Fälle von Meeresmüll auf Satellitenbildern an Orten auf der ganzen Welt visuell identifiziert haben. Devis Tuia, ausserordentlicher Professor an der EPFL und Direktor des in Sitten ansässigen Laboratory of Computational Science for the Environment and Earth Observation (ECEO), ist korrespondierender Autor der Studie.

Verbesserte Erkennung

Die Forschenden haben einen KI-basierten Detektor für Meeresmüll entwickelt, der die Wahrscheinlichkeit des Vorhandenseins von Meeresmüll für jedes Pixel in Sentinel-2-Satellitenbildern schätzt. Der Detektor wird nach datenzentrierten KI-Prinzipien trainiert, die darauf abzielen, die begrenzten Trainingsdaten, die für dieses Problem zur Verfügung stehen, bestmöglich zu nutzen. Ein Beispiel dafür ist die Entwicklung eines Computer-Vision-Algorithmus, der die manuellen Anmerkungen von Fachleuten genau mit den auf den Bildern sichtbaren Trümmern verknüpft. Mit diesem Tool können Ozeanographie- und Fernerkundungsfachleute mehr Beispiele für Trainingsdaten liefern, indem sie beim manuellen Anklicken von Umrissen weniger präzise sind.

Insgesamt bringt diese Trainingsmethode in Kombination mit dem Verfeinerungsalgorithmus dem Erkennungsmodell der tiefen künstlichen Intelligenz bei, Meeresmüllobjekte besser vorherzusagen als bisherige Ansätze. Rußwurm: «Der Detektor bleibt auch unter schwierigeren Bedingungen genau. Zum Beispiel, wenn Wolkendecke und atmosphärischer Dunst es bestehenden Modellen erschweren, Meeresmüll präzise zu identifizieren.»

Verfolgung von Plastikmüll

Der Nachweis von Kunststoffen im Meeresmüll unter schwierigen atmosphärischen Bedingungen mit Wolken und Dunst ist besonders wichtig, da Kunststoffe nach Regen- und Hochwasserereignissen oft in offene Gewässer gespült werden. Das zeigt das Osterhochwasser von Durban in Südafrika: 2019 führte eine lange Regenperiode zu überlaufenden Flüssen, so dass viel mehr Müll als üblich mitgeschwemmt wurde. Er wurde durch den Hafen von Durban (linkes Bild) in den offenen Indischen Ozean (rechtes Bild) mitgerissen. Auf Satellitenbildern sind solche zwischen Wolken schwebenden Objekte schwer zu erkennen, wenn man die üblichen Rot-Grün-Blau-Farbkanäle verwendet. Sie können sichtbar gemacht werden, indem man auf andere Spektralkanäle, einschliesslich des nahen Infrarotlichts, umschaltet.

Starke Niederschläge über Durban, Südafrika am 22. April 2019, 19:00 Uhr. Anhaltende Niederschläge zwischen dem 18. und 22. April führten zu den Osterüberschwemmungen 2019 in Durban, die beträchtliche Mengen an Plastikmüll in den Indischen Ozean spülten, wie auf den Satellitenbildern zu erkennen ist. Map data © 2023 Google. Niederschlagsdaten © JAXA Global Rainfall Watch

Doppelte Ansicht

Neben einer genaueren Vorhersage von Müllansammlungen im Meer wird das Erkennungsmodell auch Müll in täglich zugänglichen PlanetScope-Bildern erkennen, die von kubischen Nanosatelliten stammen: «Die Kombination von wöchentlichen Sentinel-2- mit täglichen PlanetScope-Aufnahmen kann die Lücke zu einer kontinuierlichen täglichen Überwachung schliessen», erklärt Rußwurm: «Ausserdem erfassen PlanetScope und Sentinel-2 manchmal denselben Fleck Müll im Meer am selben Tag nur wenige Minuten voneinander entfernt. Diese doppelte Betrachtung desselben Objekts an zwei Orten offenbart die Driftrichtung aufgrund von Wind und Meeresströmungen auf dem Wasser. Diese Informationen können genutzt werden, um die Modelle zur Abschätzung der Drift von Meeresmüll zu verbessern».

Weitere Erkundungen

Diese Richtungen werden in der Forschung von Prof. Marc Rußwurm an der Universität Wageningen zusammen mit Prof. Tim van Emmerik, einem Experten für Flussplastik, und Partnern in den Niederlanden, wie Ocean Cleanup, die mit speziellen Schiffen Kunststoffe auf offenen Ozeanen sammeln, weiter erforscht. Das Projekt geht auf Arbeiten im Rahmen des Projekts AI for Detection of Plastics with Tracking (ADOPT) zurück, das von Prof. Devis Tuia, Dr. Emanuele Dalsasso und Prof. Marc Rußwurm in Zusammenarbeit mit dem Swiss Data Science Center (einem Joint Venture zwischen der ETH Zürich und der EPFL) und der EPFL durchgeführt wird und die kontinuierliche Verfolgung von Meeresmüll zwischen Satellitenbildern weiter untersucht.