Ölverschmutzungen mit Multi-Sensor-Ansatz erkennen
Das EOC entwickelt verschiedene Methoden, um Ölteppiche sowohl in SAR-Bildern als auch in optischen Satellitenaufnahmen zu kartieren. Der Untergang des mit 800 000 Litern Industrieöl beladenen Tankers MT Princess Empress am 28. Februar vor der Philippinischen Insel Mindoro sorgt nun für aktuelle Forschungsdaten. Binnen eines Monats trat etwa die Hälfte des Öls aus dem Wrack aus und wurde durch die Strömung über Hunderte von Kilometern verteilt.
Mit Satellitendaten können große Gebiete überwacht und Ölverschmutzungen detektiert werden. Bislang werden dazu vor allem Synthetic Aperture Radar (SAR)-Bilder verwendet, jedoch sind Ölfilme auch in optischen Satellitenbildern erkennbar. Für eine engere und zuverlässigere Verfolgung von Ölverschmutzungen wird daran geforscht, künftig Bilddaten vieler verschiedener Satelliten zu kombinieren.
Im Fall der aktuellen Ölkatastrophe wurden Aufnahmen des multispektralen Landsat-Satelliten sowie Daten der deutschen Hyperspektral-Satellitenmission EnMAP (Environmental Mapping Analysis Program) analysiert. Die beiden Abbildungen zeigen ein Bildmosaik, zusammengesetzt aus Ausschnitten einer Landsat-9-Aufnahme vom 12. März (linke Seite) und zwei EnMAP-Bildkacheln vom 09. März (rechte Seite). Die obere Abbildung zeigt ein Mosaik aus Echtfarbenbildern von beiden Satellitenaufnahmen, die nachbearbeitet wurden, um das Öl besser sichtbar zu machen. Auf der EnMAP-Aufnahme ist die ungefähre Position des untergegangenen Schiffes und damit die Quelle der Ölverschmutzung zu erkennen. Davon ausgehend breitete sich das Öl am 09. März sowohl nach Osten als auch nach Süden in Richtung Küste aus. Die Landsat-Aufnahme drei Tage später zeigt, dass sich das Öl weiter in westliche Richtung ausgebreitet hat. Die Schiffsposition liegt außerhalb dieser Landsat-Aufnahme, die Schnittkante des Mosaiks entspricht dem Rand des Landsat-Bilds.
In optischen Aufnahmen Ölteppiche immer zuverlässig zu erkennen, ist aufgrund der sehr variablen Aufnahme- und Umweltbedingungen schwierig. Unterschiedliche Licht- und Wellengangsverhältnisse, die Charakteristik der Sensoren und sogenannte Look-alikes, also ähnlich aussehende Flächen, verhindern, vorhandene Verfahren universell anzuwenden. Daher setzt das Team in der Forschungsstelle Maritime Sicherheit des EOC in Neustrelitz neben der Entwicklung von Schwellwertverfahren auch auf maschinelles Lernen und Methoden der künstlichen Intelligenz (KI). Ziel ist es, diese Verfahren zukünftig zu automatisieren und für Überwachungsaufgaben operationell einzusetzen, z.B. innerhalb des Service für die Europäische Agentur für die Sicherheit des Seeverkehrs (EMSA).
Die Kartierung in der unteren Abbildung zeigt auf der linken Bildseite, dass das Schwellwertverfahren die Ölflächen in der multispektralen Landsat-Aufnahme nicht vollständig erkannt hat (violette Gebiete), während die KI-Methode (Deep Neural Network, DNN) die Flächen überschätzt und auch einige Wolkenschatten fälschlicherweise als Öl detektiert hat (gelbe Gebiete). Bei Arealen, die von beiden Verfahren ausgewiesen wurden, kann indes mit sehr hoher Wahrscheinlichkeit von einem Ölteppich ausgegangen werden. In der weiteren Forschung sollen die Verfahren daher miteinander kombiniert werden.
Die Hyperspektraldaten von EnMAP (rechte Bildseite) zeigen eine sehr gute Erkennung der Ölflächen (rote Gebiete). EnMAP bietet mit 230 Kanälen eine sehr viel höhere spektrale Auflösung als der Landsat-Satellit und liefert Signaturen, die wie ein spektraler Fingerabdruck auf die Objekte an der Erdoberfläche schließen lassen und später auch eine Identifizierung des Gefahrstoffes ermöglichen können. Bei der hier durchgeführten vorläufigen Untersuchung wurde eine unüberwachte Klassifizierung unter Verwendung des vollen Spektrums der 230 Kanäle angewendet.