Вчені розробили модель, яка використовує супутникові зображення для виявлення пластику в океанах

Щодня все більше пластикового сміття потрапляє в океани. Супутникові зображення можуть допомогти виявити накопичення сміття вздовж берегів і в морі, щоб його можна було вивезти. Дослідницька група розробила нову модель штучного інтелекту, яка розпізнає плаваючий пластик набагато точніше на супутникових знімках, ніж раніше, навіть якщо зображення частково закриті хмарами або погодні умови туманні.

Наше суспільство значною мірою залежить від пластикових виробів, і очікується, що кількість пластикових відходів у майбутньому зросте. Якщо його неправильно викинути або переробити, значна його частина накопичується в річках і озерах. Згодом він потече в океани, де може утворювати скупчення морського сміття разом із природними матеріалами, такими як коряги та водорості.

Нове дослідження Університету Вагенінгена та дослідників EPFL, нещодавно опубліковане в iScience, розробило детектор на основі штучного інтелекту, який оцінює ймовірність морського сміття, показаного на супутникових зображеннях. Це може допомогти систематично вивозити пластикове сміття з океанів за допомогою кораблів.

Пошук супутникових зображень за допомогою ШІ

Скупчення морського сміття видно на доступних у вільному доступі супутникових знімках Sentinel-2, які знімають прибережні райони кожні 2–5 днів у всьому світі на суші та прибережних районах. Оскільки вони становлять терабайти даних, дані потрібно аналізувати автоматично за допомогою моделей штучного інтелекту, таких як глибокі нейронні мережі.

Марк Русвурм, доцент Університету Вагенінгена, каже: «Ці моделі навчаються на прикладах, наданих океанографами та фахівцями з дистанційного зондування, які візуально ідентифікували кілька тисяч морських уламків на супутникових зображеннях у різних точках земної кулі. Таким чином, вони «навчалися». «модель для розпізнавання пластикового сміття».

Покращене виявлення в складних умовах

Дослідники розробили детектор морського сміття на основі ШІ, який оцінює ймовірність наявності морського сміття для кожного пікселя на супутникових зображеннях Sentinel-2. Детектор навчається відповідно до принципів штучного інтелекту, орієнтованих на дані, які спрямовані на найкраще використання обмежених навчальних даних, доступних для цієї проблеми.

Одним із прикладів є розробка алгоритму комп’ютерного зору, який прив’язує ручні анотації від експертів точно до уламків, видимих ​​на зображеннях. За допомогою цього інструменту океанографи та експерти з дистанційного зондування можуть надати більше прикладів навчальних даних, будучи менш точним у ручному клацанні контурів.

Загалом цей метод навчання в поєднанні з алгоритмом уточнення навчає модель глибокого виявлення штучного інтелекту краще передбачати об’єкти морського сміття, ніж попередні підходи.

Русвурм каже: «Детектор залишається точним навіть у більш складних умовах; наприклад, коли хмарний покрив і атмосферний серпанок ускладнюють існуючим моделям точну ідентифікацію морського сміття».

Після пластикового сміття після Великодньої повені в Дурбані 2019 року

Виявлення пластику в морському смітті за складних атмосферних умов із хмарами та серпанком є ​​особливо важливим, оскільки пластик часто змивається у відкриті води після дощу та повеней. Про це свідчать великодні повені в Дурбані в Південній Африці: у 2019 році тривалий період дощів призвів до розливу річок, у результаті чого було змито набагато більше сміття, ніж зазвичай.

Його доставили через гавань Дурбана у відкритий Індійський океан. На супутникових зображеннях такі об’єкти, що ширяють між хмарами, важко розрізнити за допомогою звичайних червоно-зелено-синіх кольорових «каналів». Їх можна візуалізувати, переключившись на інші спектральні канали, включаючи ближнє інфрачервоне світло.

Подвійний огляд показує напрямки дрейфу

Окрім більш точного прогнозування скупчень морського сміття, модель виявлення також помічатиме сміття на зображеннях PlanetScope, доступних щодня.

«Поєднання щотижневого Sentinel-2 із щоденними зборами PlanetScope може закрити розрив у безперервному щоденному моніторингу», — пояснив Русвурм.

«Крім того, PlanetScope та Sentinel-2 іноді фіксують ту саму ділянку морського сміття в той самий день лише з інтервалом у кілька хвилин. Подвійне зображення одного об’єкта у двох місцях показує напрямок дрейфу через вітер і океанські течії на воді. Ця інформація може бути використана для покращення моделей оцінки дрейфу морського сміття».