Algenblüte mit KI rechtzeitig erkennen und Naturgefahren eindämmen
Forschende des Zukunftslabors Wasser nutzen Künstliche Intelligenz (KI), um Wasserdaten aus der Ostsee in Echtzeit auszuwerten. Ziel ist es, die Ausbreitung giftiger Algen frühzeitig zu erkennen, um Naturkatastrophen wie massives Fischsterben zu verhindern und Gewässer nachhaltig zu schützen.
Im Sommer 2022 führte eine toxische Algenblüte zu einem massiven Fischsterben in der Oder. Bedingt durch erhöhte Salzgehalte, hohe Wassertemperaturen und niedrige Wasserstände vermehrten sich die giftigen Algen unkontrolliert und verursachten diese Umweltkatastrophe. Solche Naturgefahren zukünftig einzudämmen, gehört zu den Zielen des Zukunftslabors Wasser.
Die Forschenden untersuchten Methoden der Künstlichen Intelligenz (KI), mit denen Wasserdaten in Echtzeit ausgewertet werden können. Als Datengrundlage verwendeten die Forschenden Datensätze einer Fähre, die 2023 und 2024 zwischen Kiel und Oslo pendelte. Die Fähre verfügte über Sensoren zur Messung der Wassertemperatur, des Sauerstoff- und Salzgehaltes des Wassers sowie zur Messung von Chlorophyll A (Molekül, das die Photosynthese antreibt). Diese Daten werteten die Forschenden des Zukunftslabors Wassers mittels KI aus, da sie Aufschluss über eine starke, unnatürliche Vermehrung von Algen geben können.
Im ersten Schritt haben wir die Wasserdaten mithilfe verschiedener KI-Modelle ausgewertet, um Auffälligkeiten zu identifizieren. Die Herausforderung bestand darin, die Daten in Echtzeit auszuwerten. Denn im zweiten Schritt wollen wir einen Autosampler – also ein Gerät zu Entnahme von Wasserproben – ansteuern können. Dieser soll perspektivisch in der Lage sein, während der Fahrt automatisiert Wasserproben an den Stellen zu entnehmen, an denen die KI eine Algenblüte ermittelt. Die Wasserproben können dann anschließend im Labor ausgewertet werden, um einen kritischen Algenbestand zu prüfen.
Deutsches Forschungszentrum für Künstliche Intelligenz, Marine Perception
Die Forschenden testeten verschiedene KI-Modelle, um deren mögliche Verwendung für diesen Einsatzzweck zu prüfen. Dabei schlossen sie Modelle aus, die nicht zur Echtzeitauswertung geeignet sind oder die Messreihen fälschlicherweise glatt ziehen. Für die potenziell geeigneten Modelle definierten sie Trainings- und Testdaten, um die Modelle anlernen und ihre Ergebnisse überprüfen zu können.
Beim Training der KI-Modelle stießen die Forschenden auf verschiedene Herausforderungen. Zum einen hatten manche Modelle überraschende Schwierigkeiten mit völlig natürlichen Prozessen, wie etwa der Variation des Sauerstoffgehaltes im Wasser zwischen Tag und Nacht. Zum anderen gab es 2023 insgesamt 30 Gebiete mit erhöhtem Algenaufkommen, in 2024 waren es 90 Gebiete. Darüber hinaus unterschieden sich die Algengebiete in ihrem Ausmaß: Die Fähre benötigte neun Minuten, um das kleinste Algengebiet zu passieren, und mehrere Stunden, um das größte Gebiet zu durchqueren. Auch diese Variationen in den Trainingsdatensätzen bereiteten einigen KI-Modellen Schwierigkeiten. Die Forschenden legten die Trainings- und Testdaten so fest, dass beide Datensätze diese Variationen enthielten, um die Auswertungen der KI-Modelle ausreichend überprüfen zu können.
Um die Zuverlässigkeit der verschiedenen KI-Modelle zu ermitteln, definierten die Forschenden zudem folgende Zielmetriken: Wie viel Zeit benötigt die KI für die Datenauswertung und ist sie somit für die Echtzeitanalyse geeignet? Wie viele Algenblüten hat sie richtig/falsch identifiziert? Wie viele Algenblüten hat die KI verpasst? Auf diese Weise ermittelten die Forschenden passende KI-Modelle.
Wir führen unsere Forschung am Beispiel der Algenblüte durch. Dabei gewinnen wir aber grundlegende Kenntnisse zur KI-basierten Datenauswertung in Echtzeit. Diese Erkenntnisse können auf andere Anwendungsgebiete übertragen werden, in der die Echtzeitanalyse eine Rolle spielt. Denkbar wären z. B. Hitzewellen im Meer oder Schadstoffeinträge in Flüssen.
Deutsches Forschungszentrum für Künstliche Intelligenz, Marine Perception
Zukünftig werden die Forschenden überprüfen, ob die Entnahme der Wasserprobe auf Basis der KI-Auswertung erfolgreich verläuft. Dazu werden sie simulieren, wie dem Datensatz eine Probe entnommen wird. Anschließend werden sie am Rechner prüfen, ob diese Probe tatsächlich auf eine erhöhte Algendichte hinweist. Wenn dieser theoretische Test erfolgreich verläuft, kann er perspektivisch auch in der Realität durchgeführt werden – also während die Fähre die Ostsee durchquert. Solche Tests in der Realität sind aufwendig und kostenintensiv. Daher sollten sie erst stattfinden, wenn im Labor alles reibungslos verläuft.
