МАРЛИТ, искусственный интеллект против морского мусора


Плавающий морской мусор представляет собой угрозу сохранению морских экосистем во всем мире. Самая большая плотность плавающего мусора находится в огромных круговоротах океана — системах круговых течений, которые вращаются и улавливают мусор, — но загрязняющих отходов много в прибрежных водах и полузамкнутых морях, таких как Средиземное море.

MARLIT, веб-приложение с открытым доступом, основанное на алгоритме, разработанном с использованием методов глубокого обучения, позволит обнаруживать и количественно определять плавающий пластик в море с надежностью более 80%, согласно исследованию, опубликованному в журнале Загрязнение окружающей среды и проведено экспертами факультета биологии и Исследовательского института биоразнообразия Университета Барселоны (IRBio).

Эта методология является результатом анализа с помощью методов искусственного интеллекта более 3800 аэрофотоснимков средиземноморского побережья Каталонии, и она позволит исследователям добиться прогресса в оценке присутствия, плотности и распределения пластиковых загрязнителей в моря и океаны по всему миру. Среди участников исследования, опубликованного в журнале Environmental Pollution, есть эксперты Объединенной исследовательской группы по крупным морским позвоночным в UB и IRBio, а также Исследовательской группы по биостатистике и биоинформатике (GRBIO) UB, интегрированной в Платформа Bioinformatics Barcelona (BIB).

Плавучий мусор, загрязняющий океан

Исторически прямые наблюдения (лодки, самолеты и т. д.) являются основой общей методологии оценки воздействия плавающего морского мусора (FMML). Однако из-за большой площади океана и большого объема данных исследователям сложно продвигаться вперед в проведении мониторинговых исследований.

«Автоматические методы аэрофотосъемки в сочетании с аналитическими алгоритмами представляют собой более эффективные протоколы для контроля и изучения таких загрязнителей», — отмечает Одей Гарсиа-Гарин, первый автор статьи и член группы экспертов по изучению крупных морских млекопитающих. Автор: профессор и Агрейв; Лекс Агилар.

«Однако, — продолжает он, — автоматизированное дистанционное зондирование этих материалов находится на начальной стадии. В океане есть несколько факторов (волны, ветер, облака и т. д.), которые затрудняют автоматическое обнаружение плавающего мусора с помощью аэрофотоснимки морской поверхности. Вот почему лишь в нескольких исследованиях предпринимались попытки разработать алгоритмы, применимые к этому новому исследовательскому контексту «.

Эксперты разработали новый алгоритм для автоматизации количественной оценки плавающего пластика в море с помощью аэрофотоснимков, применив методы глубокого обучения, методологию автоматического обучения с искусственными нейронными сетями, способными обучаться и выводить обучение на более высокий уровень.

«Большое количество изображений морской поверхности, полученных с помощью дронов и самолетов в ходе кампаний по мониторингу морского мусора, а также в экспериментальных исследованиях с известными плавучими объектами, — позволило нам разработать и протестировать новый алгоритм, точность которого достигает 80%. в дистанционном зондировании плавающего морского мусора «, — отмечает Гарсиа-Гарин, член Отдела эволюционной биологии, экологии и наук об окружающей среде Университета Британской Колумбии и IRBio.

Сохранение океанов с помощью методов глубокого обучения

Новый алгоритм был реализован в MARLIT, веб-приложении с открытым доступом, описанном в статье и доступном для всех менеджеров и профессионалов, занимающихся изучением обнаружения и количественной оценки плавающего морского мусора с помощью аэрофотоснимков. В частности, это доказательство концепции, основанной на пакете R Shiny, методическом нововведении, имеющем большой интерес для ускорения процедур мониторинга плавающего морского макро-мусора.

MARLIT позволяет анализировать изображения по отдельности, а также разделять их на несколько сегментов в соответствии с рекомендациями пользователя, определять наличие плавающего мусора в каждой определенной области и оценивать их плотность с помощью метаданных изображения (высота, разрешение) . В будущем ожидается адаптация приложения к удаленному датчику (например, дрону) для автоматизации процесса дистанционного зондирования.

На европейском уровне Рамочная директива морской стратегии ЕС указывает на применение методов мониторинга FMML для непрерывной оценки экологического состояния морской среды. «Таким образом, автоматизация процессов мониторинга и использование таких приложений, как MARLIT, упростит выполнение директивы странами-членами», — заключают авторы исследования.


Добавить комментарий