Home Region Sport Agenda In-/Ausland Magazin
In-/Ausland
25.11.2021

Automatisierte Überwachung von Seen

Plankton-Aufnahmen der Unterwasserkamera Aquascope im Greifensee dienten als Trainingsmaterial für die Deep-Learning-Modelle.
Plankton-Aufnahmen der Unterwasserkamera Aquascope im Greifensee dienten als Trainingsmaterial für die Deep-Learning-Modelle. Bild: Eawag, Jonas Steiner
Ökologie – Wissenschaftler des Wasserforschungsinstituts Eawag haben einer Maschine beigebracht, auf Unterwasseraufnahmen winzige Wasserorganismen äusserst zuverlässig zu klassifizieren. Das soll helfen, den ökologischen Zustand von Seen in Echtzeit zu überwachen.

Kleinstlebewesen wie Bakterien, Mikroalgen und wirbellose Tiere, die sich im Wasser mit der Strömung treiben lassen, dienen als Indikator für den Gesundheitszustand von Seen. Die manuelle Erfassung von solchen Planktondaten ist jedoch äusserst arbeitsintensiv und teuer. Ein Forschungsteam um den Datenwissenschaftler Marco Baity-Jesi von der Eawag stellte nun eine Methode vor, mit der sich Plankton automatisiert in Echtzeit und mit hoher Genauigkeit klassifizieren lässt.

Die Forschenden entwickelten ausgeklügelte sogenannte Deep-Learning-Modelle, die sie mit über 17'000 Plankton-Trainingsbildern speisten. Die Unterwasserbilder stammten von Aquascope, einer Kamera, die täglich mehrere Tausend Fotos von Plankton im Greifensee im Kanton Zürich macht.

So lernt die Maschine anhand der von Fachleuten annotierten Bildern nach und nach, wichtige Merkmale und Muster zu erkennen und so die Art des Planktons zu bestimmen. Die besten von den Eawag-Forschenden getesteten Modelle erkannten die Planktonbilder mit einer Genauigkeit von 98 Prozent, wie sie im Fachmagazin "Frontiers in Microbiology" berichten.

Die Vorteile dieser Methode liegen auf der Hand: Während eine Fachperson höchstens einige Dutzend Plankton pro Tag zu bestimmen vermag, kann eine Maschine täglich rund eine Million Fotos klassifizieren - und das, ohne müde zu werden, wie die Eawag in einer auf ihrer Webseite publizierten Mitteilung schreibt.

Die Modelle liessen sich nur für auf die Unterwasserwelt des Greifensees, sondern auch auf diejenigen in anderen ähnlichen Seen anwenden, etwa um Algenblüten vorherzusagen, schreiben die Forschenden in ihrer Studie. Den Code und den erstellten Datensatz stellten sie der Fachwelt online frei zu Verfügung.

https://doi.org/10.3389/fmicb.2021.746297

Keystone-SDA