Verbesserung der Kohlenstofffluss-Schätzungen in Ozeanen mit KI

Der Ozean spielt eine wichtige Rolle dabei, den CO2-Gehalt in der Atmosphäre zu kontrollieren. Das passiert hauptsächlich durch einen Prozess, bei dem CO2 aus der Luft im Meerwasser gelöst wird. Dieser Prozess findet statt, weil es einen Unterschied zwischen der Menge an CO2 in der Luft und im Wasser gibt. In den oberen Schichten des Ozeans nutzen mikroskopisch kleine Algen CO2 während der Photosynthese, um organische Substanz zu erzeugen. Ein Teil dieser organischen Substanz zerfällt in winzige Partikel, die man partikuläres organisches Kohlenstoff (POC) nennt, und diese sinken in tiefere Gewässer. Dieser Prozess hilft, Kohlenstoff für längere Zeit zu speichern, was zur Fähigkeit des Ozeans beiträgt, CO2 aus der Atmosphäre aufzunehmen.

Um zu verstehen, wie viel Kohlenstoff der Ozean entfernt, ist es wichtig zu messen, wie viel POC von der Oberfläche in die Tiefen des Ozeans exportiert wird. In den letzten Jahren gab es Fortschritte in der Technologie, die eine bessere Erfassung von Bildern aus dem Ozean ermöglichen, was helfen kann, wie Kohlenstoff durch den Ozean fliesst, detaillierter zu schätzen. Ein Gerät namens Unterwasser-Vision-Profilierer (UVP) macht Bilder von Partikeln im Ozean, um zu verstehen, wie viel Kohlenstoff sie repräsentieren.

Allerdings gibt es Herausforderungen bei der Schätzung des Kohlenstoffflusses mit Daten vom UVP. Oft können die Schätzungen sehr unsicher sein, mit Fehlern von über 50 %. Das passiert, weil Partikel normalerweise so behandelt werden, als wären sie alle gleich gross und gleichartig, obwohl es eine grosse Bandbreite an Partikelarten gibt, die aus verschiedenen biologischen und physikalischen Prozessen entstehen. Jede Partikelart kann unterschiedliche Mengen an Kohlenstoff enthalten und mit unterschiedlichen Geschwindigkeiten absinken.

Forschungen haben gezeigt, dass die Identifikation der verschiedenen Partikelarten genauere Schätzungen des Kohlenstoffexports liefern kann. Allerdings erfordert diese Methode viel manuelle Arbeit zum Kennzeichnen von Bildern, was teuer ist und nicht gut mit grossen Datensätzen funktioniert. Eine andere Studie hat einen Weg untersucht, um Bilder zu kategorisieren, ohne jedes manuell zu kennzeichnen, aber das liess etwas Unsicherheit darüber, wie man diese statistischen Kategorien mit tatsächlichen Partikeltypen in Verbindung bringt.

#Einsatz von Künstlicher Intelligenz zur Bildklassifikation

Techniken der künstlichen Intelligenz, insbesondere konvolutionale neuronale Netzwerke (CNNs), werden oft zur Klassifizierung von Bildern eingesetzt. Diese wurden in der Meereswissenschaft verwendet, um Arten von winzigen Meereslebewesen wie Phytoplankton und Zooplankton zu identifizieren. Normalerweise werden CNNs mit einem Prozess trainiert, bei dem ein Experte eine kleine Menge von Bildern kennzeichnet und dann die KI anwendet, was sie gelernt hat, um andere Bilder zu kennzeichnen. Allerdings gibt es eine Herausforderung, weil die Eigenschaften dieser Organismen je nach Ort und Zeitpunkt der Probenahme variieren können. Das macht es schwer, dass das trainierte Modell gut in neuen Gebieten oder zu anderen Zeiten funktioniert.

Eine mögliche Lösung ist die Domänenanpassung, bei der Daten aus dem neuen Bereich verwendet werden, um der KI zu helfen, besser zu lernen. Das kann helfen, zu verhindern, dass das Modell versagt, wenn es auf andere Arten oder Formen im Ozean trifft.

Es gibt auch eine Methode namens semi-supervised learning, bei der der Experte nur eine Handvoll Bilder kennzeichnet, während die KI ähnliche Bilder zusammenordnet. Das kann die Zeit, die ein Experte für die Kennzeichnung benötigt, reduzieren, aber der Erfolg hängt weiterhin davon ab, wie gut die KI die Bilder in relevante Kategorien einsortieren kann.

In dieser Studie wurde eine neue Methode vorgeschlagen, die CNNs verwendet, um Bilder von Partikeln aus dem Ozean zu klassifizieren. Diese Methode zielt darauf ab, die Schätzung, wie viel Kohlenstoff in jedem Partikeltyp enthalten ist, zu verbessern, was zu besseren Vorhersagen des Kohlenstoffflusses führen sollte. Sie hilft uns auch, mehr darüber zu erfahren, welche biologischen Prozesse für diesen Kohlenstofffluss wichtig sind.

Der Ansatz beinhaltet, einen menschlichen Experten in den Trainingsprozess einzubeziehen, um der KI zu helfen, sich an neue Daten aus verschiedenen Probenahmeaktionen anzupassen. Die Studie mass den Kohlenstoffgehalt in gekennzeichneten Partikeln und verglich die Ergebnisse mit traditionellen Methoden zur Schätzung des Kohlenstoffflusses.

#Probenahmestellen

Um diese Methodik zu testen, wurden Proben aus verschiedenen Bereichen des Ozeans gesammelt. Dazu gehörten Stellen im Nordpazifik, dem Santa Barbara Basin und dem Nordatlantik. Jeder Standort hat seine eigenen einzigartigen Eigenschaften und Kohlenstoffflussniveaus.

Im zentralen Nordpazifik wurden mehrere Stationen beprobt, darunter Regionen mit niedrigen Nährstoffgehalten und Flussraten. Der subarktische Nordpazifik hat einen niedrigen Kohlenstoffexport, während das Santa Barbara Basin höhere Kohlenstoffflusswerte zeigte. Proben wurden auch aus dem östlichen Nordatlantik während eines Zeitraums hoher Nährstoffgehalte entnommen.

#Probenahmeprozess

Die Sammlung der Partikel erfolgte durch die Verwendung von Sedimentfallen, die Partikel einfingen, die von der Oberfläche fielen. Diese Fallen waren mit speziellen Röhren ausgestattet, die eine Gelschicht enthielten, um die Partikel festzuhalten. Nachdem die Fallen zurückgebracht wurden, wurden Bilder des gesammelten Gels aufgenommen, und Regionen mit Partikeln wurden für die Analyse ausgewählt. Jedes Partikel wurde gemessen, um Daten über seine Grösse zu sammeln.

#Datenkennzeichnung

Um die Partikel zu analysieren, wurden Bilder basierend auf der Art der darin repräsentierten Partikel klassifiziert. Es gab viele Kategorien, darunter verschiedene Arten von Kotpellets von Meereslebewesen, Aggregate, die aus verschiedenen Materialien entstanden, und Arten von mikroskopischen Algen. Einige Bilder enthielten Partikel, die nicht zum Kohlenstofffluss beitrugen und wurden identifiziert, aber nicht in die Kohlenstoffschätzungen einbezogen.

Der Prozess des Kennzeichnens von Bildern wurde vor dieser Studie abgeschlossen, und einige Bilder waren unklar, was bedeutete, dass sie in mehr als eine Kategorie passen könnten. Um diese Unsicherheit zu messen, wurden Teilmengen von Bildern neu gekennzeichnet, und die Forscher fanden heraus, dass etwa 80 % der neuen Kennzeichnungen mit den ursprünglichen Anmerkungen übereinstimmten. Basierend darauf wurde eine Auswahl von klar gekennzeichneten Bildern verwendet, um das KI-Modell zu trainieren.

#Modelltraining

Für das Training des CNN wurde eine bestimmte Art von CNN-Architektur namens ResNet-18 verwendet. Sie findet eine Balance zwischen Geschwindigkeit und Genauigkeit und eignet sich gut für diese Aufgabe. Das Training beinhaltete das Durchlaufen von Bildern durch das Modell in Chargen und die Anwendung von Techniken, um Überanpassung zu verhindern. Die Forscher verwendeten auch Methoden zur Datenaugmentation, um die Leistung des Modells zu verbessern.

Während des Trainings wurden Anpassungen vorgenommen, um zu optimieren, wie Bilder verkleinert wurden, wie der Lernalgorithmus funktionierte und wie Fehler in den Vorhersagen minimiert wurden. Verschiedene Methoden zur Grössenänderung der Bilder wurden getestet, um sicherzustellen, dass die Formen der Partikel erhalten blieben, was für eine genaue Klassifikation wichtig ist.

#Domänenanpassungsstrategie

Nachdem das Modell trainiert wurde, war es wichtig, es auf neue Daten aus verschiedenen Probenahmeaktionen anzuwenden. Hier kommt der Prozess der Domänenanpassung ins Spiel. Das Modell, das auf vorherigen Daten trainiert wurde, kann mit neuen Daten Schwierigkeiten haben. Um dies zu beheben, verwendeten die Forscher einen Prozess, bei dem die Vorhersagen des Modells von einem menschlichen Experten überprüft wurden.

Zuerst erzeugte das Modell Vorhersagen für den neuen Datensatz, und der Experte überprüfte die zuversichtlichsten Vorhersagen. Diese überprüften Bilder wurden dann wieder in das Trainingsset aufgenommen, um die Genauigkeit des Modells zu verbessern.

Dieser Schritt wurde so gestaltet, dass der menschliche Eingriff so gering wie möglich gehalten wird, sodass das Modell unabhängig arbeiten kann, während es immer noch von der Anleitung eines Experten profitiert.

#Kohlenstofffluss-Schätzungen

Sobald alle Bilder gekennzeichnet waren, war der nächste Schritt, den Kohlenstofffluss aus den beprobten Partikeln zu berechnen. Die Forscher aktualisierten die in früheren Studien verwendeten Parameter, um zu berücksichtigen, wie sie verschiedene Partikelklassen gruppierten. Nachdem der Kohlenstoffgehalt für jedes Partikel berechnet wurde, wurde der gesamte Kohlenstofffluss basierend auf Bilddaten geschätzt.

Um eine Basislinie für den Vergleich zu bieten, wurden menschlich annotierte Schätzungen des Kohlenstoffflusses berechnet. Dies ermöglicht es den Forschern zu bewerten, wie gut die Modellvorhersagen mit traditionellen Methoden und beobachteten Kohlenstoffmessungen in der Umwelt übereinstimmten.

Durch den Vergleich dieser verschiedenen Methoden wollten die Forscher herausfinden, wie genau die Vorhersagen des Modells waren und ob sie den Kohlenstofffluss im Ozean zuverlässig widerspiegeln konnten.

#Leistungsbewertung

Die Studie analysierte, wie gut die Vorhersagen des Modells im Vergleich zu denen von menschlichen Experten waren. Die Ergebnisse zeigten, dass die Schätzungen des Modells denjenigen der menschlichen Anmerkungen und chemischen Messungen nahe kamen, was darauf hindeutet, dass das Modell gut funktionierte.

Ausserdem wurde die Leistung des Modells über verschiedene Partikelklassen bewertet. Bei den meisten Klassen schnitt das Modell vergleichbar mit der menschlichen Kennzeichnung ab. Es gab jedoch einige Fälle, in denen Minderheitsklassen aufgrund eines Mangels an Daten nicht so gut abschnitten.

In Bezug auf die Zeiteffizienz reduzierte die neue Methode die menschlichen Anstrengungen bei der Bildklassifizierung erheblich und lieferte dennoch zuverlässige Schätzungen des Kohlenstoffflusses. Die Fähigkeit des Modells, Bilder genau zu klassifizieren, trug zum Verständnis davon bei, wie Kohlenstoff im Ozean fliesst, und beleuchtete wichtige ökologische Prozesse.

#Fazit und zukünftige Richtungen

Diese Studie hebt die Nützlichkeit des Einsatzes fortgeschrittener Bildklassifikationstechniken hervor, um die Kohlenstoffdynamik im Ozean besser zu verstehen. Indem Forscher Computer Vision nutzen, können sie grosse Mengen an Bilddaten verarbeiten, die sonst übermässige menschliche Kennzeichnungen erforderten, sodass sie sich mehr auf die Interpretation der Ergebnisse konzentrieren können anstatt auf mühsame Klassifizierungsaufgaben.

Es gibt immer noch Bereiche, in denen Verbesserungen notwendig sind, insbesondere hinsichtlich der Leistung des Modells bei seltenen Partikeltypen. Wenn mehr Daten aus verschiedenen Regionen verfügbar werden, kann das Modell daraus lernen und möglicherweise seine Fähigkeit verbessern, alle Partikeltypen genau zu klassifizieren.

Insgesamt stellt dieser Ansatz einen bedeutenden Schritt in Richtung eines detaillierteren Verständnisses der Kohlenstoffflüsse in unseren Ozeanen dar, was entscheidend ist, um den Klimawandel und seine Auswirkungen anzugehen. Die in dieser Studie entwickelten Methoden haben das Potenzial, auf andere ökologische Datensätze angewendet zu werden und die Forschungskapazitäten in verschiedenen wissenschaftlichen Bereichen zu erweitern.