Wetenschap
Schatten van de kustwaterdiepte vanuit de ruimte via satellietgebaseerde bathymetrie
Sinds de oudheid is het kennen van de diepte van de kustwateren de sleutel geweest tot een veilige en succesvolle navigatie en tot het exploiteren van de hulpbronnen van de zee. Tegenwoordig is bathymetrie, het meten van de zeediepte, nog belangrijker en speelt het een essentiële rol in ons begrip van het mariene milieu en de ontwikkeling van grote mariene structuren.
Met de ontwikkeling van echolood op schepen aan het begin van de 20e eeuw zagen bathymetrische onderzoeken enorme vooruitgang in zowel nauwkeurigheid als gemak. Maar zelfs met moderne dieptemeters zijn er nog steeds veel ontberingen die moeten worden overwonnen bij het uitvoeren van bathymetrische onderzoeken. Deze omvatten hoge kosten, onvoorspelbaar weer, veel scheepsverkeer en potentiële geografische of diplomatieke problemen, om er maar een paar te noemen.
Om deze problemen aan te pakken, hebben wetenschappers over de hele wereld satellietgebaseerde bathymetrietechnieken (SDB) ontwikkeld, die de waterdiepte schatten op basis van multispectrale satellietbeelden. Deze methoden kunnen soms nauwkeurige resultaten opleveren, vooral voor diepten tot 20 meter.
Helaas zijn de meeste SDB-modellen ontwikkeld met behulp van gegevens uit kustgebieden met helder water en een uniforme verdeling van zeebodemsediment. Omdat licht anders reflecteert afhankelijk van de troebelheid van het water en de samenstelling van de zeebodem, is het ontwikkelen van SBD-modellen met consistente prestaties in verschillende kustomgevingen een uitdaging gebleken.
Tegen deze achtergrond heeft een onderzoeksteam uit Korea een nieuw SDB-model ontwikkeld dat machine learning gebruikt om licht te werpen op de verschillende factoren die de nauwkeurigheid in gevaar kunnen brengen, en zo de weg vrij te maken voor mogelijke oplossingen. Hun nieuwste onderzoek, waaraan dr. Tae-ho Kim van Underwater Survey Technology 21 (UST21) deelnam, is gepubliceerd in het Journal of Applied Remote Sensing .
Een van de hoofddoelen van deze studie was om te analyseren hoe het model dat op verschillende kustgebieden werd getraind, zou worden beïnvloed door de unieke kenmerken van elke regio. Daartoe selecteerden ze drie gebieden rond het Koreaanse schiereiland:Samcheok, gekenmerkt door zijn heldere water; Cheonsuman, bekend om zijn troebele water; en Hallim, waar de zeebodem verschillende soorten sedimenten bevat.
Het team verkreeg multispectrale satellietgegevens van deze regio's van de Sentinel-2A/B-missies, openlijk verstrekt door de European Space Agency, en selecteerde meerdere beelden van deze gebieden op verschillende tijdstippen met een heldere hemel. Om het SDB-model op deze gegevens te trainen, hebben ze ook van echolood afkomstige zeekaarten verkregen van de Korea Hydrographic and Oceanographic Agency (KHOA); deze grafieken werden gebruikt als basiswaarheid.
Het SDB-model zelf was gebaseerd op een beproefd theoretisch raamwerk dat verband houdt met de manier waarop licht dat van de zon komt, wordt gereflecteerd door de atmosfeer, de zee en de zeebodem voordat het een satelliet bereikt. Wat het machine learning-gedeelte van het model betreft, gebruikte het team een willekeurig forest-algoritme vanwege het vermogen om zich aan te passen aan meerdere variabelen en parameters terwijl er grote hoeveelheden gegevens werden verwerkt.
Bij het trainen en testen van regiospecifieke exemplaren van het SDB-model ontdekten de onderzoekers dat de nauwkeurigheid over het algemeen acceptabel was voor Samcheok, met een wortel-gemiddelde-kwadraatfout van ongeveer 2,6 meter. Daarentegen was de nauwkeurigheid aanzienlijk lager voor zowel Cheonsuman als Hallim, waarbij op satellieten gebaseerde dieptevoorspellingen aanzienlijk afweken van KHOA-metingen.
Om deze discrepanties beter te begrijpen, probeerden de onderzoekers eerst de voorspellingen te corrigeren door een troebelheidsindex in de berekeningen op te nemen. Dit verbeterde de resultaten, vooral voor Cheonsuman. Om de bronnen van fouten verder te onderzoeken, heeft het team satellietbeelden met hoge resolutie van de WorldView-3-missie verzameld, evenals foto's ter plaatse. Uit analyses bleek dat de reflectiekarakteristieken van de zeebodemsedimenten een grote impact hadden op diepteschattingen, waarbij donker gekleurd basalt leidde tot een consistente overschatting.
"Als we in de toekomst aanvullende ruimtelijke gegevens over de zeebodem in de trainingsdataset opnemen, verwachten we verbeteringen in de modelprestaties", aldus Dr. Kim. "Een R&D-project zal naar verwachting een sedimentdistributiekaart opleveren, gemaakt op basis van hyperspectrale beeldvorming vanuit de lucht."
Ten slotte testten de onderzoekers vervolgens het generalisatievermogen van hun aanpak door regiospecifieke SDB-modellen toe te passen op andere kustgebieden met vergelijkbare kenmerken.
"In tegenstelling tot eerdere studies die SDB-modelresultaten alleen presenteerden voor wateren met een hoge transparantie, hebben we individuele SDB-modellen ontwikkeld die kunnen worden toegepast op wateren met verschillende kenmerken, en hebben we methoden voorgesteld om betere resultaten te verkrijgen," zei Dr. Kim.
Met een beetje geluk zullen deze inspanningen leiden tot verbeteringen in de SDB-technologie en de weg vrijmaken voor handiger kustdieptekartering.
Tevreden met de resultaten concludeert Dr. Kim:"Uiteindelijk zullen de SDB-resultaten worden toegepast als dieptemonitoringsgegevens om veilige scheepsdoorvaart in kustgebieden te vergemakkelijken, evenals als invoergegevens voor numerieke oceaanmodellen, die bijdragen aan verschillende wetenschappelijke velden." P>