Die Autonome Monitoring-Box (AMB) wird mit Sensoren für die Erfassung von Nährstoffen, Phytoplanktonbiomasse (Chl a), funktionellen Gruppen, CO₂ und CH₄, ausgestattet sein. Mit Planktoscopen, modularen open-source Instrumenten für quantitative, hochauflösende Bildaufnahmen können die biogeochemischen Daten mit der Biodiversität verknüpft werden.

Die AMB ermöglicht hochfrequente Datenerfassung sowohl flächendeckend in der Wasseroberfläche als auch über die Tiefe. In der Entwicklungsphase werden die Ergebnisse der AMB durch Labormessungen evaluiert.

Die Entwicklung erfolgt in Zusammenarbeit mit 4H-Jena, um ein transferfähiges Produkt zu gestalten. bbe Moldaenke wird Sensorik für die Erfassung der Phytoplanktonbiomasse, funktioneller Gruppen wie Cyanobakterien und für die Validierung der Satellitendaten aus Produkt 3 liefern.

Ein CytoSub wird bis zu 1500 in situ Bilder pro Minute generieren, die auch kleine Phytoplankton Arten erfassen, Zellabundanzen mit einem in situ Durchflusszytometer messen und in Kombination mit der kostengünstigen Alternative des Planktoscopes eingesetzt und verglichen werden.

Die CAU wird für die Daten des CytoSub und der AMB ein ressourceneffizientes Neuronales Netzwerk zur Bildanalyse (KI-Produkt 2) entwickeln. Dieses soll auf kleinen Rechnern, wie einem Raspberry-PI, aber auch Smartphones, Tablets oder Laptops direkt vor Ort einsetzbar sein, und so eine in situ Datenanalyse mit batteriebetriebenen Geräten im Feld ermöglichen.

Warum wird ein Phytoplankton-Bilderkennungstool benötigt? Die herkömmliche Bestimmung von Phytoplankton per Mikroskopie ist sehr aufwändig und erfordert gleichbleibende taxonomische Kenntnisse. Daher wäre eine automatische KI-Analyse der Bilder sehr zeitsparend und könnte die Ergebnisse über lange Zeiträume und Labore stabil ermöglichen. Damit die Bilderkennung Unterwasser funktionieren kann, ist ein geringer Stromverbrauch der KI wichtig.

Das FAIRe Bilderkennungstool wird auf früheren Arbeiten für die Zooplanktonanalyse aufbauen und DeepLearning-Ansätze verfolgen, die auch von existierenden Datenbanken wie zum Beispiel Ecotaxa profitieren können. Die Algorithmen werden FAIR, also frei verfügbar sein. Da es bisher nur wenige Arbeiten zu hochauflösenden Bildern von Phytoplankton gibt, ist hier u.a. zu untersuchen, welche Merkmale der Organismen für die automatisierte Klassifikation am relevantesten sind.

Im KIMMCO-Projekt sammeln wir mit einem Cytosub und einem PlanktoScope selbst Bilder des Phytoplanktons um die Bilderkennung zu trainieren.

Ausgangsituation: Messungen von Phytoplankton werden meist punktuell und mit geringer zeitlicher Auflösung durchgeführt. Dies führt zu Unsicherheiten in der Abschätzung zur Phytoplanktonbiodiversität und zu dessen CO₂-Aufnahmepotential.

• NEU in KIMMCO: KI-gestütztes und satelliten-basiertes Monitoring kann räumlich und zeitlich kontinuierliches Monitoring von Phytoplanktongruppen ermöglichen.
• Limitierungen sind: der Footprint der Satellitenmessungen beträgt über 300 Meter und das Tiefen-Integral in der Wassersäule geht nur bis zur Secchi-Tiefe. Die Secci-Tiefe ist in etwa die untere Grenze der euphotischen Zone, also der Zone in der genügend Licht für Phytoplanktonwachstum vorhanden ist.
• Mögliche Verbesserungen durch KI sind: durch Kalibrationen könnte eine verbesserte vertikale Verteilung abgeleitet werden und die räumliche Auflösung erhöht werden.

Im Projekt werden Satellitendaten der Phytoplanktonvorkommen mit denen von in situ Messgeräten verknüpft, um die Kalibration der Satellitendaten in flachen Küstengewässern der Ostsee zu verbessern und damit hochaufgelöste großflächige Bestimmung der Mikroalgen und ihrer Produktivität zu ermöglichen. Dazu müssen schiffgestützte Messungen räumlich und zeitlich mit den Überflugzeiten der richtigen Satelliten synchronisiert werden. Ein KI-gestütztes Klimaschutz-Visualisierungstool soll den Ökosystemzustand in der küstennahen Ostsee einfach verständlich sichtbar machen. 

Um die Auswertung der Satellitendaten in flachen Küstengewässern zu verbessern werden in situ Messungen mit einem Über/Unterwasser-Spektroradiometer (Ramses) durchgeführt. Das RAMSES misst knapp über der Wasseroberfläche die Einstrahlung von der Sonne, das gleiche knapp unter der Wasseroberfläche und die upwelling radiance (Licht das aus der Wassersäule unter dem Sensor in Richtung Wasseroberfläche kommt). Mit diesen zusätzlichen Lichtdaten können die Algorithmen speziell an die Bedingungen in der Ostsee angepasst werden. Diese werden auch für die Berechnungen der CO₂-Fixierung in KI-Produkt 4 benötigt. 

Mit dem Klimaschutz-Visualisierungstool soll die Komplexität des Projektes mit den zahlreichen unterschiedlichen datengenerierenden Geräten dargestellt werden.

• Die monitorenden Behörden sollen über dieses Tool Zugriff auf die Daten und Methoden des Projektes erhalten und die Transferfähigkeit der entwickelten KI-Produkte 1-3 wird gesteigert.
• Die breite Öffentlichkeit kann damit informiert werden und an den Ergebnissen teilhaben.
• Zur Visualisierung werden erprobte Methoden wie beispielsweise BELUGA Navigator, ArcGIS StoryMaps oder Digital Earth Viewer genutzt, die mit FAIRen Repositorien verknüpft werden, um Komponenten für einen operativen “Digitalen Zwilling” zu erstellen.