Drijvend macroafval op zee vormt een bedreiging voor het behoud van mariene ecosystemen wereldwijd. De grootste dichtheid van drijvend zwerfvuil bevindt zich in de grote oceaanstromingen - systemen van cirkelvormige stromingen die ronddraaien en zwerfvuil vangen - maar het vervuilende afval is overvloedig aanwezig in kustwateren en halfgesloten zeeën zoals de Middellandse Zee.

MARLIT, een open access web-app gebaseerd op een algoritme ontworpen met deep learning-technieken, zal de detectie en kwantificering van drijvende kunststoffen in de zee mogelijk maken met een betrouwbaarheid van meer dan 80%, volgens een studie gepubliceerd in het tijdschrift Milieuvervuiling en uitgevoerd door experts van de Faculteit Biologie en het Biodiversity Research Institute van de Universiteit van Barcelona (IRBio).

Deze methodologie is het resultaat van de analyse door middel van kunstmatige-intelligentietechnieken van meer dan 3, 800 luchtfoto's van de Middellandse Zeekust in Catalonië, en het zal onderzoekers in staat stellen vooruitgang te boeken bij de beoordeling van de aanwezigheid, dichtheid en verspreiding van de plastic verontreinigende stoffen in de zeeën en oceanen wereldwijd. Onder de deelnemers aan het onderzoek, gepubliceerd in het tijdschrift Milieuvervuiling , zijn de experts van de Consolidated Research Group on Large Marine Vertebrates van de UB en IRBio, en de Onderzoeksgroep Biostatistiek en Bioinformatica (GRBIO) van de UB, geïntegreerd in het Bioinformatics Barcelona-platform (BIB).

Zwerfvuil dat drijft en de oceaan vervuilt

historisch, directe waarnemingen (boten, vliegtuigen, enz.) vormen de basis voor de gemeenschappelijke methodologie om de impact van drijvend marien macrozwerfvuil (FMML) te beoordelen. Echter, het grote oceaangebied en de hoeveelheid gegevens maken het de onderzoekers moeilijk om vooruitgang te boeken met de monitoringstudies.

"Automatische luchtfotografietechnieken in combinatie met analytische algoritmen zijn efficiëntere protocollen voor de controle en studie van dit soort verontreinigende stoffen, " merkt Odei Garcia-Garin op, eerste auteur van het artikel en lid van het CRG over grote zeezoogdieren, onder leiding van professor Àlex Aguilar.

"Echter, -hij gaat door-, geautomatiseerde teledetectie van deze materialen bevindt zich in een vroeg stadium. Er zijn verschillende factoren in de oceaan (golven, wind, wolken, enz.) die de detectie van drijvend afval automatisch verharden met de luchtbeelden van het zeeoppervlak. Daarom zijn er maar een paar studies die de moeite hebben genomen om algoritmen te ontwikkelen die toepasbaar zijn in deze nieuwe onderzoekscontext."

De experts ontwierpen een nieuw algoritme om de kwantificering van drijvend plastic in de zee te automatiseren door middel van luchtfoto's door toepassing van de deep learning-technieken, automatische leermethodologie met kunstmatige neuronale netwerken die in staat zijn om te leren en het leren naar een hoger niveau te tillen.

"De grote hoeveelheid afbeeldingen van het zeeoppervlak verkregen door drones en vliegtuigen in monitoringcampagnes op zwerfvuil op zee - ook in experimentele studies met bekende drijvende objecten - stelde ons in staat een nieuw algoritme te ontwikkelen en te testen dat een nauwkeurigheid van 80% bereikt in de afgelegen waarneming van drijvend marien macroafval, " merkt Garcia-Garin op, lid van de vakgroep Evolutionaire Biologie, Ecologie en Milieuwetenschappen van de UB en IRBio.

Behoud van de oceanen met deep learning-technieken

Het nieuwe algoritme is geïmplementeerd in MARLIT, een open access web-app die in het artikel wordt beschreven en die beschikbaar is voor alle managers en professionals in de studie van de detectie en kwantificering van drijvend marien macro-zwerfvuil met luchtfoto's. Vooral, dit is een proof of concept op basis van een R Shiny pakket, een methodologische innovatie met groot belang om de monitoringprocedures van drijvend marien macro-zwerfvuil te versnellen.

MARLIT maakt de analyse van afbeeldingen afzonderlijk mogelijk, evenals om ze in verschillende segmenten te verdelen -volgens de richtlijnen van de gebruiker-, identificeer de aanwezigheid van drijvend zwerfvuil in elk bepaald gebied en schat hun dichtheid met de metadata van de afbeelding (hoogte, oplossing). In de toekomst, er wordt verwacht dat de app wordt aangepast aan een sensor op afstand (bijvoorbeeld een drone) om het teledetectieproces te automatiseren.

Op Europees niveau is the EU Marine Strategy Framework Directive indicates the application of FMML monitoring techniques to fulfill the continuous assessment of the environmental state of the marine environment. "Daarom, the automatization of monitoring processes and the use of apps such as MARLIT would ease the member states' fulfillment of the directive, " conclude the authors of the study.