Troebele oceanen beter in beeld met satellieten

Binnen Edito Model Lab werken partners aan tools en data over oceaankennis met als doel ze beschikbaar en toegankelijk te maken voor een breder publiek. Felix Dols, Onderzoeker EDITO Model Lab bij Deltares, werkt samen met een team aan dit digitale platform. Door tools en digitale technologie met elkaar te combineren, zoals AI toepassen op modelleerwerk in combinatie met satellietdata, kunnen inzichten in bijvoorbeeld troebel oceaanwater sneller en accurater verkregen worden.

Leren van de Wadden

Felix: “Naast toepassingen van bestaande tools en modellen van Deltares, zijn we in Edito Model Lab ook met een ontwikkeling bezig voor het gebruiken van Kunstmatige Intelligentie (AI) bij het inschatten van de troebelheid van de Waddenzee. Het AI algoritme wordt al gebruikt voor voorspellingen van oceaancondities. We hebben gekozen de Waddenzee te bestuderen vanwege de hoge moeilijkheidsgraad in het inschatten en voorspellen van troebelheid in dit gebied.

Delen van de Waddenzee lopen afwisselend onder en vallen dan weer droog door de getijdencyclus. Daardoor is er is een complexere dynamiek dan verder de oceaan in. We hebben een wiskundig AI-algoritme-tool, 4DVarNet van onze Franse partner IMT Atlantique, getraind met behulp van data gegenereerd door Delft3D FM, een bestaand numeriek model van Deltares. De hiaten die we daarin nog hadden, vullen we op met satellietdata.”

Het probleem van troebelheid

“Troebelheid is het omgekeerde van lichtdoorlatendheid,” legt Felix uit. “Licht is ook in het water belangrijk voor fotosynthese. Hoe minder licht, hoe minder algen er bijvoorbeeld groeien. En dat heeft effect op de voedselvoorraad voor andere organismen. Het is dus essentieel voor het leven onder water.

Bij Deltares hebben we modellen die groei van organismen zoals schelpdieren, algen en zeegras kunnen simuleren aan de hand van de condities van het water. De hoeveelheid licht is een belangrijk gegeven om te zien hoe goed een organisme zal kunnen overleven en voortplanten.

Tot nu toe gebruikten we in onze ecologische modelstudies een versimpelde troebelheid - een seizoen gemiddelde, gebaseerd op wat we al weten. We gebruikten zeer beperkte gemeten data van incidentele metingen, wat wil zeggen gemeten op één enkele locatie, op één enkel tijdstip.

Hierdoor weten we dat we (te) grove aannames doen over de verandering van troebelheid over de tijd. Ook zegt dit nog niet zoveel over de hele zee. Over de seizoenen en in de dag- en nachtcyclus verandert er veel, dus wilden we een continue datastroom hebben.

Collega’s deden in de afgelopen jaren uitgebreid onderzoek met numerieke modellen naar troebelheid in de Waddenzee in de jaren 2016 en 2017. Na jarenlang verzamelen heeft dat veel bruikbare data opgeleverd.”

Sneller inzicht met satellieten

“We zagen een kans om nauwkeurige data af te kunnen leiden uit satellieten en zo tot preciezere resultaten te komen,” zegt Felix. “De uitdaging is nu dat de satelliet maximaal een keer per dag in een baan om de aarde komt en een foto-opname maakt. Ook zitten er gaten in satellietdata door bewolking. Daarmee krijgen we dus nog geen continuïteit in de data. Iets wat we juist wel willen om ook inzicht te krijgen in de invloed van getijdenstroming en de dag en nachtcyclus.”

“AI kan gebruikt worden om deze gaten op te vullen in de meetreeks. Dit gaat nog veel beter, als de output data van een simulatiemodel zoals Delft3D FM wordt gebruikt.” Legt Felix uit. “Het AI-model wordt dan getraind op zowel de satellietdata als het numerieke simulatiemodel. We hebben het AI model dus getraind met correlaties waarmee we de ontbrekende data kunnen vullen en zo een troebelheidsveld vullen. Zo kunnen we nu een troebelheidskaart maken voor elk jaar waarin de juiste satelliet data beschikbaar is, waardoor we nu een tijdsreeks hebben van de afgelopen decennia, in plaats van alleen 2016 en 2017. Deze data kan gebruikt worden door biologen en ecologen!"

Lőrinc Mészáros, projectleider EDITO Model Lab bij Deltares, geeft een verrassend leerpunt aan: "Het opnemen van de fysieke kennis in ons numerieke model, Delft3D FM, helpt ons om betere machine learning-resultaten te bereiken. Dit is een zeer belangrijk punt omdat het complementariteit laat zien, in plaats van concurrentie tussen numerieke en datagestuurde tools. Het positioneert Deltares ook als een belangrijke partij in de toekomst, zelfs voor bedrijven die dezelfde oplossing proberen te leveren, maar dan met machine learning."

Met dit model en deze data kunnen we relaties leggen tussen menselijke activiteiten, zoals baggeren, en de effecten op de troebelheid. Het is dus nuttig om troebelheid te monitoren en kunstmatige intelligentie helpt ons om dat nauwkeuriger en completer te doen.

Felix Dols

Lessen uit algoritmen en rivieren

“Door het toe te passen, hebben we geleerd hoe dit algoritme werkt en hoe satellieten voor ons bruikbare info kunnen winnen. Daaruit hebben we afgeleid hoe nauwkeurig ons model is. Hiermee hebben we nu een nieuwe referentie waarmee we onze numerieke modellen kunnen verbeteren. Daarmee leveren we nieuwe en verbeterde producten op. In de eerdere simpele modellen zat bijvoorbeeld ook geen extra informatie uit stormen.

Verder hebben we gezien dat we rondom de monding van de Eems die uitkomt in de Waddenzee moeite hadden met het doen van goede voorspellingen omdat we de rivierdata niet hadden als trainingsdata hebben gevoed aan het algoritme. Een volgende stap is dat we in de Rijn - waar we meer informatie over troebelheid in de rivier en menging van rivier- en zeewater hebben - deze data gebruiken in aanvulling op data over troebelheid in het kustgebied. Dit is een grote verbetering!”

Zo is er steeds weer een volgende stap om te gaan onderzoeken. Onze Franse partner gebruikte de modellen vooral voor parameters in de oceaan. In de kustgebieden speelt vaak meer tegelijkertijd, er is meer dynamiek waardoor je veel moet weten over het systeem. Zoals waar komen de rivieren uit en hoe t het water precies terug bij droogvallen? We willen nu eerst de invloed van rivieren beter leren begrijpen en meenemen,” zegt Felix.

Onze samenwerking met Deltares heeft ons begrip van mariene en kustsystemen, met name in de Waddenzee, verrijkt. Bij IMT Atlantique streven we ernaar om onze machine learning skills te gebruiken om het bewustzijn van de dynamiek van ecosystemen te vergroten. Met deze samenwerking pakken we complexe milieu-uitdagingen effectiever aan.

Nga Nguyen, Onderzoeker Kunstmatige Intelligentie, IMT Atlantique

Voordelen voor de voedselketen

“De resultaten zijn kwalitatief beter dan dat we tot nu toe hadden en dat is belangrijk voor modelleurs die iets willen zeggen over de voedselketen die in het water begint bij de zogenaamde “primaire productie” ofwel de algen. Algengroei is sterk afhankelijk van troebelheid en heeft effect op de hoeveelheid voedsel voor vissen en vogels.”

Op gedetailleerd niveau kan Deltares nu simulaties aanvullen voor 20-30 jaar. Het numerieke model heeft hierbij goed geholpen om de verbanden te leggen. “We merkten dat AI een versterking is van de numerieke modellen en de toepassing in elkaars verlengde ligt. Nu werken we met satellieten maar we bouwen voort op de numerieke modellen. Expert modelleurs, zoals onder andere Thijs van Kessel hebben dit werk mede mogelijk gemaakt.”

We snappen steeds beter welke impact onze activiteiten hebben op zee en op de voedselketen en de natuur. Wij dragen hiermee bij aan het kunnen maken van verantwoorde keuzes in welke activiteiten wel en niet te ondernemen. We kunnen hiermee de natuur meer beschermen en conserveren.

Felix Dols

Hackaton

In dit impactjaar staat het grootschalig delen van de resultaten van EDITO Model Lab op de agenda. In juni is er de United Nation Ocean Conference in Nice. Dan wordt het platform met deze en vele andere tools gepresenteerd aan een groter publiek en starten trainingen aan beleidsmakers én een hackaton voor technische gebruikers.

Wat brengt de toekomst

Dit model kan overal gebruikt worden waar goede satellietdata beschikbaar zijn. “Ik verwacht dat barrières worden weggenomen in het internationale en interdisciplinair samenwerken omdat data en tools met kennis over oceanen op één plek worden gebundeld en beschikbaar worden gemaakt. Een mooie basis om samen problemen op te kunnen lossen. Ook voor Deltares kan dit grote impact hebben als we deze koers opgaan. Dare to share niet alleen via Deltares, maar ook via het Edito platform!” voegt Felix toe.

Kunstmatige intelligentie is steeds belangrijker geworden bij het aanpakken van klimaat-uitdagingen. De werkwijze van Deltares, waarbij machine learning, numerieke modellering en 'remote sensing' worden gecombineerd, is een grote stap voor de beoordeling van troebelheid in complexe kustgebieden. Hierdoor kunnen we de dynamiek van troebelheid aan het kustoppervlak beter begrijpen.

François Courteille, Principle Solutions Architect at NVIDEA, Advisory Board of EDITO

Rol van Deltares

Deltares levert een belangrijke bijdrage aan de ontwikkeling van een troebelheidsveld van de Waddenzee. “We hebben een aantal softwarepakketten met handleidingen ontwikkeld die worden aangeboden op dat platform. Er zijn opensource tools beschikbaar zoals SFINCS, D-EcoImpact en dfm-modelbuilder, die al online te vinden zijn.

De simulatiesoftware - Delft3D FM - is ook gratis maar Deltares kan trainingen geven om het makkelijker te kunnen gebruiken. Er is namelijk veel technische kennis nodig voor geavanceerde toepassingen van de software en Deltares missie is om dit toegankelijker te maken.” legt Felix uit.

Droom?

“Dat iedereen die dat wil, zelf een bijdrage kan leveren aan een duurzame oceaan! Ik hoop dat de drempel verlaagd wordt als de tools en data beschikbaar komen. Verder ben ik heel enthousiast over Europese samenwerkingen om zo een beeld te krijgen hoe andere landen met gelijksoortige problemen omgaan. Het is mooi om te zien hoe groot de wil is om (gratis) te delen. Dit motiveert en geeft een positieve werksfeer!”

Samenwerking met de juiste partijen om van elkaar te leren en elkaar aan te vullen is key! In dit geval brengt Deltares de systeemkennis en numerieke tools in, terwijl IMT Atlantique deep learning-kennis en betrouwbare, robuuste algoritmen levert.

Lőrinc Mészáros, projectleider EDITO Model Lab, Deltares