Första gången i Vietnam: AI-modell kombinerad med fjärranalys för att övervaka havsvattenkvaliteten

Bildtext — Forskargruppen tog havsvattenprover i Ha Long Bay och Cua Luc. Foto: Dieu Thuy/VNA

Den socioekonomiska utvecklingen under senare år har medfört många miljöutmaningar i Ha Long-bukten och Cua Luc-området (provinsen Quang Ninh), särskilt den minskade havsvattenkvaliteten, vilket hotar det endemiska marina ekosystemet. Samtidigt har traditionella övervakningsmetoder som provtagning och analys på plats avslöjat många begränsningar när det gäller kostnad, tid och övervakningsområde. Inför denna verklighet har vietnamesiska och polska forskare samordnat forskning om tillämpningen av fjärranalys och artificiell intelligens inom vattenkvalitetsövervakning - en modern, kostnadseffektiv metod som möjliggör kontinuerlig övervakning över ett stort område. Det gemensamma forskningsuppdraget med kod QTPL01.03/23-24, som genomförs gemensamt av Vietnam Space Center (Vietnam Academy of Science and Technology) och Polska institutet för geofysik (Polska vetenskapsakademin), bidrar till att tillhandahålla mer effektiva övervakningsverktyg för skydd av den marina miljön i viktiga kustområden.

Modernt tillvägagångssätt

Enligt Dr. Vu Anh Tuan, biträdande generaldirektör för Vietnam Space Center, som ansvarar för uppdraget, är detta det första projektet i Vietnam som samtidigt använder Sentinel-2-satellitdata, avancerade maskininlärningsalgoritmer och GEE-plattformen (Googles molntjänstplattform) för att modellera och övervaka vattenkvalitetsparametrar som yttemperatur, suspenderade ämnen, klorofyll-a och kemisk syreförbrukning.

Utifrån modellresultaten har forskargruppen byggt kartor över vattenkvalitetens fördelning i rum och tid, vilket hjälper till att övervaka fluktuationer och ge tidig varning om föroreningsrisker i Ha Long Bay och Cua Luc. Dessa är två strategiska vattenområden i Quang Ninh-provinsen, inte bara rika på landskaps- och ekologiska värden utan också spelar en nyckelroll i provinsens ekonomiska och turismutveckling . Dessa kartor kan användas i vattenresurshantering, stödja miljöskydd och inrikta på hållbar utveckling av kustområden.

Dr. Vu Anh Tuan sa att studiens nyhet ligger i syntesen och innovationen av fjärranalys, artificiell intelligens och molnberäkningsteknik för att lösa det komplexa problemet med att övervaka vattenkvaliteten i Ha Long Bay, samtidigt som den föreslår genomförbara lösningar för att övervinna utmaningen med databrist och tillhandahålla djupgående analyser av högt praktiskt värde. Studien etablerade maskininlärningsmodeller och kalibrerade och testade dessa modeller för att uppnå en noggrannhet på över 73 % och skapade kartor över fördelningen av dessa parametrar per säsong och årsgenomsnitt. Dessutom öppnade studien också upp för ett nytt tillvägagångssätt för tillämpningen av fjärranalysteknik i kombination med maskininlärning för att övervaka vattenkvaliteten, och därigenom effektivt stödja vattenresurshanteringen i viktiga kustområden.

Mot en utbredd utbyggnad över haven

Dr. Vu Anh Tuan tillade att studien använde data från Sentinel-2-satelliten (MSI-sensor) under perioden 2019-2023, kombinerat med faktiska mätdata från Department of Natural Resources and Environment i Quang Ninh- provinsen och National Oceanic and Atmospheric Administration (USA) för att prognostisera vattenkvaliteten i studieområdet. Totalt bearbetades och analyserades 78 satellitbilder på Googles molntjänstplattform. Därefter tillämpades maskininlärningsalgoritmer som Random Forest, Boosted Regression och AdaBoost Regression för att förutsäga vattenkvalitetsindikatorer.

Enligt Dr. Vu Anh Tuan identifierade studien även viktiga spektralband från Sentinel-2-satellitbilder, vilket bidrog till att optimera maskininlärningsmodeller och minimera framtida datainsamlingskostnader. Utifrån modellresultaten byggde forskargruppen spatial-temporal vattenkvalitetskartor, vilket hjälper till att övervaka fluktuationer och ge tidig varning om föroreningsrisker i Ha Long-bukten. Dessa kartor kan användas i vattenresurshantering, stödja miljöskydd och inrikta hållbar utveckling av kustområden.

Angående nästa forskningsinriktning sa Dr. Vu Anh Tuan att forskargruppen i framtiden föreslår att öka frekvensen av observationer och provtagningar, och ytterligare integrera AI med satellitbilddata för att förbättra noggrannheten i beräkningsparametrarna. I synnerhet kommer en utökad integration av olika typer av satellitdata (för närvarande har teamet testat på 3 typer av satelliter) att bidra till att öka observationsfrekvensen och inte bara begränsa den till 4 vattenkvalitetsparametrar, utan kan utökas till 5, 6 eller fler. En av de näst viktigaste inriktningarna är att teamet kommer att sprida denna forskning i stor utsträckning i hela Vietnams hav. Även om varje hav har sina egna egenskaper, kan beräkningsmetoderna med samma plattform och forskningsramverk justeras för att ge korrekta och lämpliga resultat. Det slutgiltiga målet är att teamet ska etablera ett omfattande system för att kontinuerligt övervaka och övervaka havsvattenkvalitetsparametrar. Systemet kommer att ge viktig information till planerare och ge snabba varningar om vattenföroreningar, särskilt effekterna på vattenbruk och andra marina ekonomiska sektorer.

I sin utvärdering av resultaten av denna forskning sa docent Dr. Pham Quang Vinh, medlem av Acceptance Council vid Vietnam Academy of Science and Technology, att genom att främja tillämpningen av AI inom vattenmiljöforskning har forskargruppen använt nya algoritmer för att bearbeta fjärranalysdata inom kustvattenmiljöforskning. Detta är ett typiskt exempel på effektivt vetenskapligt samarbete med en gemensam publikation mellan de två sidorna i SCIE Q1-tidskriften - en högkvalitativ internationell tidskrift; och bidrar därmed till att främja vetenskapligt forskningssamarbete mellan Vietnam och Polen, vilket öppnar upp nya utvecklingsinriktningar för båda länderna.

Källa: https://doanhnghiepvn.vn/cong-nghe/lan-dau-tien-tai-viet-nam-mo-hinh-ai-ket-hop-vien-tham-giam-sat-chat-luong-nuoc-bien/20250619075954419

Kommentar (0)