Eksperter udvikler kunstig intelligens for at overvåge vandkvaliteten mere effektivt

Kunstig intelligens, der forbedrer fjernovervågning af vandområder - fremhæver kvalitetsændringer som følge af klimaændringer eller forurening - er blevet udviklet af forskere ved University of Stirling.

En ny algoritme - kendt som meta-læringsmetoden - analyserer data direkte fra satellitsensorer, gør det lettere for kystzonen, miljø- og industriledere til at overvåge problemer som skadelig algeopblomstring (HAB'er) og mulig toksicitet hos skaldyr og finnefisk.

Miljøbeskyttelsesagenturer og industriorganer overvåger i øjeblikket vandets 'trofiske tilstand' - dets biologiske produktivitet - som en indikator for økosystemernes sundhed. Store klynger af mikroskopiske alger, eller planteplankton, kaldes eutrofiering og kan blive til HAB'er, en indikator for forurening og som udgør en risiko for menneskers og dyrs sundhed.

HAB'er anslås at koste den skotske skaldyrsindustri 1,4 millioner pund om året, og en enkelt HAB-begivenhed i Norge dræbte otte millioner laks i 2019, med en direkte værdi på over £74 millioner.

Hovedforfatter Mortimer Werther, en ph.d. Forsker i biologi og miljøvidenskab ved Stirlings Naturvidenskabelige Fakultet, sagde:"I øjeblikket, satellitmonterede sensorer, såsom Ocean and Land Instrument (OLCI), måle fytoplanktonkoncentrationer ved hjælp af et optisk pigment kaldet klorofyl-a. Imidlertid, at hente klorofyl-a på tværs af den mangfoldige natur af globale farvande er metodologisk udfordrende.

"Vi har udviklet en metode, der omgår klorofyl-a-genfindingen og sætter os i stand til at estimere vandsundhedsstatus direkte ud fra signalet målt ved fjernsensoren."

Eutrofiering og hype-eutrofiering er ofte forårsaget af overdreven tilførsel af næringsstoffer, fra landbrugspraksis, affaldsudledning, eller fødevare- og energiproduktion. I påvirkede farvande, HAB'er er almindelige, og cyanobakterier kan producere cyanotoksiner, som påvirker menneskers og dyrs sundhed. Mange steder, disse opblomstringer er bekymrende for fiske- og skaldyrsakvakulturindustrien.

Werther sagde:"For at forstå virkningen af ​​klimaændringer på ferskvandsvandmiljøer såsom søer, hvoraf mange tjener som drikkevandsressourcer, det er vigtigt, at vi overvåger og vurderer centrale miljøindikatorer, såsom trofisk status, på global skala med høj rumlig og tidsmæssig frekvens.

"Denne forskning, finansieret af EU's Horizon 2020-program, er den første demonstration af, at trofisk status for komplekse indlands- og kystnære farvande kan læres direkte ved hjælp af maskinlæringsalgoritmer fra OLCI-reflektansmålinger. Vores algoritme kan producere estimater for alle trofiske tilstande på billeder erhvervet af OLCI over globale vandområder.

"Vores metode overgår en sammenlignelig state-of-the-art tilgang med 5-12 % i gennemsnit på tværs af hele spektret af trofiske tilstande, da det også eliminerer behovet for at vælge den rigtige algoritme til vandobservation. Den estimerer trofisk status med over 90 % nøjagtighed for stærkt påvirkede eutrofiske og hypereutrofe farvande."