Artificiell intelligens som förbättrar fjärrövervakning av vattenförekomster – vilket lyfter fram kvalitetsförändringar på grund av klimatförändringar eller föroreningar – har utvecklats av forskare vid University of Stirling.

En ny algoritm – känd som meta-inlärningsmetoden – analyserar data direkt från satellitsensorer, gör det lättare för kustzonen, miljö- och industrichefer för att övervaka frågor som skadlig algblomning (HAB) och eventuell toxicitet hos skaldjur och fiskar.

Miljöskyddsmyndigheter och industriorgan övervakar för närvarande vattnets "trofiska tillstånd" - dess biologiska produktivitet - som en indikator på ekosystemens hälsa. Stora kluster av mikroskopiska alger, eller växtplankton, kallas eutrofiering och kan förvandlas till HAB, en indikator på föroreningar och som utgör risker för människors och djurs hälsa.

HAB beräknas kosta den skotska skaldjursindustrin 1,4 miljoner pund per år, och en enda HAB-händelse i Norge dödade åtta miljoner laxar 2019, med ett direkt värde på över 74 miljoner pund.

Huvudförfattare Mortimer Werther, en Ph.D. Forskare i biologi och miljövetenskap vid Stirlings naturvetenskapliga fakultet, sa:"För närvarande satellitmonterade sensorer, såsom Ocean and Land Instrument (OLCI), mäta växtplanktonkoncentrationer med ett optiskt pigment som kallas klorofyll-a. Dock, Det är metodologiskt utmanande att hämta klorofyll-a över de olika globala vattnen.

"Vi har utvecklat en metod som kringgår klorofyll-a-återvinningen och gör det möjligt för oss att uppskatta vattnets hälsostatus direkt från signalen som mäts vid fjärrsensorn."

Övergödning och hype eutrofiering orsakas ofta av överdriven tillförsel av näringsämnen, till exempel från jordbruksmetoder, avfallsutsläpp, eller mat- och energiproduktion. I påverkade vatten, HAB är vanliga, och cyanobakterier kan producera cyanotoxiner som påverkar människors och djurs hälsa. På många platser, dessa blomningar är av intresse för fisk- och skaldjursvattenbruksindustrin.

Werther sa:"För att förstå effekterna av klimatförändringar på sötvattenvattenmiljöer som sjöar, av vilka många fungerar som dricksvattenresurser, det är viktigt att vi övervakar och bedömer viktiga miljöindikatorer, såsom trofisk status, på en global skala med hög rumslig och tidsmässig frekvens.

"Denna forskning, finansieras av Europeiska unionens Horizon 2020-program, är den första demonstrationen av att trofisk status för komplexa inlands- och strandnära vatten kan läras direkt av maskininlärningsalgoritmer från OLCI-reflektansmätningar. Vår algoritm kan producera uppskattningar för alla trofiska tillstånd på bilder som förvärvats av OLCI över globala vattendrag.

"Vår metod överträffar ett jämförbart toppmodernt tillvägagångssätt med 5–12 % i genomsnitt över hela spektrumet av trofiska tillstånd, eftersom det också eliminerar behovet av att välja rätt algoritm för vattenobservation. Den uppskattar trofisk status med över 90 % noggrannhet för starkt påverkade eutrofiska och hypereutrofa vatten."