EPFL entwickelt KI-gestütztes Satellitensystem zum Aufspüren von Meeresmüll

(Source: PortSundries / pixabay.com)

(Source: PortSundries / pixabay.com)

Forscher der EPFL haben ein System entwickelt, das künstliche Intelligenz und satellitenbasierte Bildgebung kombiniert, um Plastikmüllflächen im Meer zu erkennen und deren Bewegung vorauszusagen. Das System, "Adopt" soll laut Mitteilung die Sammelaktionen in den Meeren erleichtern.

Im Kampf gegen die Ausbreitung von Meeresmüll ist die Fähigkeit, schwimmende Müllflächen zu erkennen und zu verfolgen, entscheidend. Doch trotz des Überflusses an Satellitenbildern und Wetterdaten bleiben die verfügbaren Technologien nach wie vor begrenzt.

Vor zwei Jahren gestartet, biete Adopt (AI for Detecting Ocean Plastic Pollution with Tracking) einen neuen Ansatz, um dieser Herausforderung zu begegnen. Das Projekt wird gemäss Mitteilung vom Labor für rechnergestützte Umweltwissenschaften und Erdbeobachtung (Eceo)der EPFL und vom Swiss Data Science Center - einer gemeinsamen Initiative von EPFL, ETH Zürich und dem Paul‑Scherrer‑Institut (PSI) - in Zusammenarbeit mit der Universität Wageningen (Niederlande) durchgeführt.

Müllflächen vom Weltraum aus erkennen

Das System arbeite in zwei Schritten. "Zuerst identifizieren wir den Müll mithilfe von Satellitenbildern; anschliessend zeigen wir an, wo er sich bis zum Zeitpunkt der möglichen Intervention, typischerweise innerhalb von 24 Stunden, bewegt haben wird", erklärt Emanuele Dalsasso, wissenschaftlicher Mitarbeiter im Labor Eceo. Diese räumlich‑zeitliche Vorwarnung soll NGOs und Behörden ermöglichen, die Sammelaktionen effizienter zu organisieren.

Die ersten Entwicklungen basierten laut Mitteilung auf den optischen Sentinel‑2‑Satelliten der Europäischen Weltraumorganisation. Deren Überflüge im Abstand von etwa sechs Tagen und die Auflösung von 10 Metern pro Pixel schränkten die Nachverfolgung jedoch ein. Um die Frequenz und Genauigkeit zu verbessern, entwickelte das Team ein KI‑System, das die gewonnenen Erkenntnisse auf "PlanetScope" übertragen konnte, eine Konstellation von Nanosatelliten, die täglich Bilder mit einer Auflösung von 3 bis 5 Metern pro Pixel liefert.

Der Detektor könne somit mit beiden Quellen arbeiten, mit täglichen Aktualisierungen und einer besseren Auflösung, ohne dass neue Annotationen nötig sind. Auf dieser Skala erkenne der Algorithmus jedoch nicht einzelne Plastikteilchen, sondern Aggregationen von Müll, die als "Windrows" bezeichnet werden. Diese langen Bänder gemischten Mülls können sich über mehrere hundert Meter erstrecken und weisen eine hohe Konzentration von menschengemachten Materialien auf, insbesondere Plastik.

Vorhersage der Abfallverlagerung

Die Erkennung allein reiche jedoch nicht: Es muss auch die Bewegung antizipiert werden. Der zweite Teil des Projekts, entwickelt im Swiss Data Science Center von dem Forscher Christian Donner, zielt gemäss Mitteilung darauf ab, die kurzfristige Drift von Müll vorherzusagen. Die Forscher stützen sich auf physikalische Modelle, die Wind und Meeresströmungen integrieren, und passen diese mit Hilfe von maschinellem Lernen an, um die Vorhersage der Flugbahn zu verbessern.

Da systematische Referenzdaten fehlen, basiere das Systemtraining auf treibenden Bojen mit GPS-Sensoren, die als Referenz zur Simulation des Verhaltens schwimmender Objekte dienen. Wie es heisst, stellen Wetterbedingungen jedoch weiterhin ein Problem dar, da optische Sensoren die Oberfläche nicht durch Wolken hindurch beobachten können. Eine Lösung bestünde darin, Radaraufnahmen des Satelliten Sentinel‑1 zu nutzen, welche die Oberfläche Tag und Nacht erfassen können. Dieser Ansatz würde jedoch den Verlust einiger Informationen zur Identifizierung von Müllansammlungen zur Folge haben.

Das Adopt‑Projekt soll diesen Herbst nach Ablauf der zweijährigen Förderperiode abgeschlossen werden. Das Team finalisiere derzeit zwei wissenschaftliche Publikationen und plant, den entwickelten Code für die Detektion und die Driftvorhersage öffentlich zugänglich zu machen. Die niederländische NGO The Ocean Cleanup bleibe weiterhin in den Vergleich der Algorithmen eingebunden, während die akademischen Kooperationen mit der Universität Wageningen fortgeführt werden.

Forschende der EPFL haben übrigens auch eine KI entwickelt, die Videos in beliebiger Länge und ohne Qualitätsverlust erzeugen kann. Damit lösen sie ein grosses Problem aktueller Videogeneratoren, wie Sie hier lesen können.