Künstliche Intelligenz für die Kartierung des Meeresbodens und marine Raumplanung – KIMERA

Trotz aller Bemühungen sind bisher nur ca. 25 % des Ozeanbodens mittels hydroakustischer Methoden kartiert. Das bedeutet, dass wir über die Beschaffenheit der übrigen 75 % nur eine sehr grobe Kenntniss haben. Diese beruht auf Satellitenmessungen des Schwerefeldes der Erde und der Ableitung der Morphologie des Meeresbodens aus diesen Daten. Immer wieder zeigt sich jedoch beim Vergleich der satellitengestützten mit den hydroakustischen Daten, dass es beim digitalen Höhenmodell zu teils sehr große Abweichungen in allen drei Dimensonen kommen kann. Außerdem kann das Wissen über die Morphologie des Meeresbodens nur der erste Baustein hin zu einem Verständnis der Beschaffenheit des Meeresbodens sein. Erst daraus lassen sich Wahrscheinlichkeiten für mineralische Potenziale und in Kombination mit ozeanografischen Parameters die Wahrscheinlichkeiten für das Vorkommen bestimmter Habitate ableiten. Erst dieses Wissen wird es erlauben, die verschiedenen Interessen zur Nutzung und dem Schutz des Ozeans miteinander zu vereinbaren.

Genau hier setzt das Projekt "KIMERA" an. KIMERA ist dabei das Acronym für Künstliche Intelligenz für die Kartierung des Meeresbodens und marine Raumplanung. Innerhalb der 36-monatigen Laufzeit des Projektes soll gemeinsam mit einem regionalen Unternehmen ein Verfahren entwickelt werden, das es erlaubt die Beschaffenheit des Meeresbodens mittels maschinellen Lernens und dem Einsatz von künstlicher Intelligenz zu prognositizieren ('Remote Predictive Mapping' – RPM). Basierend auf dieser Information werden dann Vorhersagen zur Wahrscheinlichkeit bestimmte Habitate oder mineralische Rohstoffe anzutreffen. Ein wichtiger Grundstein für die marine Raumplanung basierend auf wissenschaftlichen Erkenntnissen, die in einem weiteren Schritt dann natürlich verifiziert werden müssen.

Team "KIMERA"

Geologische Klassifizierung vulkanischer Strukturen

Als Grundlage für die programmatische Umsetzung der künstlichen Intelligenz wurde die Programmiersprache Python sowie die Open-Source-Programmbibliothek PyTorch gewählt. Der programmierte Code wird lokal wie auf einem GEOMAR-internen GitLab-Server zur Versionsverwaltung und Projektplanung gespeichert. Im Rahmen der Erstellung eines ersten KI-Prototyps, wurden folgende Schritt durchgeführt:

  • Ermittlung der benötigten Datentransformationen, um GIS-Daten in Eingangsdaten für eine künstliche Intelligenz zu überführen.
  • Eine initiale Strategie zum Umgang mit fehlenden Datenpunkten wurde skizziert und programmatisch in verschiedenen Ansätzen – Ersatz durch einen fixen Wert, Ersatz durch ein statistisches Mittel – implementiert.
  • Mehrere Ansätze zur Standardisierung bzw. Normalisierung der Ausgangsdaten wurden implementiert.
  • Auf der Basis bestehender KI-Algorithmen zur Segmentierung von Bildinhalten, wurde ein erster Prototyp zur Segmentierung und geologischen Klassifizierung von vulkanischen Strukturen in der Clarion-Clipperton Zone erstellt (siehe Abbildung 1).

  • Eine erste Strategie für leicht-annotierbare (ein hinreichend großer Datensatz an händischen Annotationen von Experten ist zu erwarten) und schlecht-annotierbare (ein hinreichend großer Datensatz ist nicht zu erwarten) geologische Features wurde entwickelt. Diese umfasst verschiedene Deep Learning Modelle, sowie Machine Learning und klassische, parameterbasierte Ansätze für beide Klassen. Wissenschaftliche Vorleistungen diesbezüglich sind in einer Literaturrecherche festgehalten. In diesem Rahmen wurde ebenfalls ein erster Ansatz für die Identifizierung von Tiefseehügeln und Ebenen, einem schlecht-annotierbarem Feature, erstellt (siehe Abbildung 2).

Unser Partner

Die Firma north.io GmbH mit Sitz in Kiel hat sich auf die Organisation und das Management von Geodaten an Land und aus See spezialisiert. North.io stellt dem Projekt KIMERA Cloud-Computing, Webtechnologien und Geoinformatik zur Verfügung und arbeitet in unserem Auftrag an der Entwicklung eines webbasierten Annotationstools.

 

Dieses Projekt wird gefördert durch:

Nach oben