Kartlegge og kategorisere makroplast med droner, satellittbilder og maskinlæring

Siden 50-tallet er det produsert mer en 8 milliarder tonn plast på verdensbasis. En betydelig del av denne plasten havner i havet hvor det akkumuleres på havbunnen og langs strendene. Dette er ikke bare et visuelt problem, men det utgjør også en fare for marine dyr i havet og langs kysten. Noe av plasten brytes også ned til mikroplast.

I de senere årene har Akvaplan-niva samarbeidet med firmaet TerraNor for å utvikle en tidsbesparende metode for kartlegging og kvantifisering av makroplast i det marine miljø ved hjelp av maskinlæring. Denne metoden anvendes nå i flere forskningsprosjekter hvor en rekke sensorer blir utprøvd og validert.

Vi anvender luftdroner til kartlegging av makroplast langs strender og elveutløp i tre prosjekter, to i Norge og Russland (MALINOR, DIMARC) og ett i Aserbajdsjan (CRIPTIC). Ved å kombinere denne typen kartlegging med oseanografiske strømmodeller kan myndigheter og andre aktører få verdifull informasjon om hvor det samles mye marint plastavfall. Slik kunnskap kan blant annet anvendes til å organisere strandryddeaksjoner.

I tillegg til drone-baserte ortho-mosaikk bilder tar vi i bruk satellittbilder med høy oppløsning fra WorldView satellittene. Slike satellittbilder anvendes i størst grad til å identifisere tapte fiskeredskap (såkalte ”ghost nets”) som skylles opp på strendene. Vi har også testet bruk av det autonome fartøyet ”Waveglider” utstyrt med høyoppløselig RGB- kamera for å kartlegge flytende plast på havoverflaten. Plasten blir gjenkjent automatisk og klassifisert ved hjelp av maskinlæring. Waveglideren henter energi fra sol og bølger, den kan operere i månedsvis på sjøen og samle inn store datamengder.

I et pågående prosjekt (SEAFARER), finansiert av Framsenteret i Tromsø, anvendes vi ROV video transekter for å detektere plast fra oppdrettsanlegg som synker til havbunnen.

Et eksempel fra SEAFARER prosjektet, som analyserer stillbilder fra video fra ROV transekter av havbunnen. Analysen er mer krevende siden det finnes mange objekter som ligner på plast, f.eks. hvite skjell eller svamp. Skjermdump: Ragnhild Pettersen/Akvaplan-niva

Foto:  Fiskeredskap på en strand i Finnmark. Slike tapte garn utgjør opp til 50% av alt plastsøppel langs strendene i Nord- Norge. Foto: Frank Beuchel/ Akvaplan-niva

For effektiv håndtering av data fra visuell kartlegging anvender vi maskinlærings-baserte algoritmer i programvaren eCognition, som er en objekt-basert bildeanalyse (OBIA). Ved hjelp av denne programvaren kan vi automatisk skille ut bilder med plast, og deretter klassifisere plasten i forskjellige kategorier ut fra farge og form på søppelet. Prosedyren i eCognition er basert på et skript (ruleset) som tilpasses og finjusteres underveis i prosessen. Segmentering er en viktig oppgave i oppstarten av bildeprosesseringen. Her deles bildet inn i forskjellige objekter og deretter analyseres objektenes egenskaper basert på et utvalg av ”features”. I klassifiseringen brukes definerte grenseverdier for å skille objektene og deretter plassere disse i forskjellige kategorier som for eksempel stein, vegetasjon, leire eller plast.

Prosjekter:

MALINOR- Mapping marine litter in the Norwegian and Russian Arctic Seas (finansiert av Norges Forskningsråd)

DIMARC- Detecting, identifying, and mapping plastic in the Arctic using robotics and digital solutions (finansiert av Handelens miljøfond)

CRIPTIC- Cleaning Riverine Plastic from a Transboundary Inflow to the Caspian Sea (finansiert av Handelens miljøfond)

SEAFARER- High North SEAFloor AquacultuRe DEbRis – an assessment with advanced visual technologies (finansiert av Framsenteret i Tromsø)

Artikkel i GeoForum: https://issuu.com/geoforum/doc...