Kunstmatige intelligentie die het op afstand monitoren van waterlichamen verbetert, waarbij kwaliteitsverschuivingen als gevolg van klimaatverandering of vervuiling worden benadrukt, is ontwikkeld door onderzoekers van de Universiteit van Stirling.

Een nieuw algoritme, bekend als de meta-leermethode, analyseert gegevens rechtstreeks van satellietsensoren, het gemakkelijker maken voor de kustzone, milieu- en industriemanagers om problemen zoals schadelijke algenbloei (HAB's) en mogelijke toxiciteit bij schaal- en schelpdieren te monitoren.

Milieubeschermingsinstanties en industriële instanties volgen momenteel de 'trofische toestand' van water - zijn biologische productiviteit - als een indicator van de gezondheid van ecosystemen. Grote clusters van microscopisch kleine algen, of fytoplankton, wordt eutrofiëring genoemd en kan HAB's worden, een indicator van vervuiling en die een risico vormen voor de gezondheid van mens en dier.

HAB's kosten de Schotse schelpdierindustrie naar schatting £ 1,4 miljoen per jaar, en een enkel HAB-evenement in Noorwegen kostte in 2019 acht miljoen zalmen, met een directe waarde van meer dan £ 74 miljoen.

Hoofdauteur Mortimer Werther, een doctoraat Onderzoeker in biologische en milieuwetenschappen aan de Faculteit der Natuurwetenschappen van Stirling, zei:"Momenteel op satelliet gemonteerde sensoren, zoals het Ocean and Land Instrument (OLCI), meet fytoplanktonconcentraties met behulp van een optisch pigment genaamd chlorofyl-a. Echter, het ophalen van chlorofyl-a in de diverse aard van de mondiale wateren is methodologisch een uitdaging.

"We hebben een methode ontwikkeld die het ophalen van chlorofyl-a omzeilt en ons in staat stelt om de watergezondheidsstatus rechtstreeks te schatten op basis van het signaal dat wordt gemeten door de externe sensor."

Eutrofiëring en hype-eutrofiëring wordt vaak veroorzaakt door overmatige toevoer van nutriënten, bijvoorbeeld uit landbouwpraktijken, afval lozen, of voedsel- en energieproductie. In getroffen wateren, HAB's komen vaak voor, en cyanobacteriën kunnen cyanotoxinen produceren die de gezondheid van mens en dier aantasten. Op veel locaties is deze bloemen zijn een bron van zorg voor de aquacultuursectoren van vinvissen en schelpdieren.

De heer Werther zei:"Om de impact van klimaatverandering op zoetwateraquatische milieus zoals meren te begrijpen, waarvan vele dienen als drinkwaterbronnen, het is essentieel dat we de belangrijkste milieu-indicatoren monitoren en beoordelen, zoals trofische status, op wereldschaal met een hoge ruimtelijke en temporele frequentie.

"Dit onderzoek, gefinancierd door het Horizon 2020-programma van de Europese Unie, is de eerste demonstratie dat de trofische status van complexe binnen- en kustwateren direct kan worden geleerd door machine learning-algoritmen van OLCI-reflectiemetingen. Ons algoritme kan schattingen produceren voor alle trofische toestanden op beelden die door OLCI zijn verkregen over mondiale waterlichamen.

"Onze methode presteert gemiddeld 5-12% beter dan een vergelijkbare state-of-the-art benadering over het hele spectrum van trofische toestanden, omdat het ook de noodzaak elimineert om het juiste algoritme voor waterobservatie te kiezen. Het schat de trofische status met een nauwkeurigheid van meer dan 90% voor sterk aangetaste eutrofe en hypereutrofe wateren."