Växtplankton är grunden i havets näringsväv. Vid kraftig tillväxt används begreppet algblomning. Vissa algblomningar är ett problem och ställer till det för turism, havsbruk och växter och djur i haven. Alggifter kan skada människors hälsa. För att kunna förutsäga algblomningens utveckling och riktning bättre, pågår just nu en tioveckors pilotstudie mellan RISE och SMHI där de undersöker hur artificiell intelligens och satellitobservationer kan bidra till att ge tidigare prognoser för att varna allmänheten.
–Tillsammans ska vi klura ut hur vi kan skapa ännu mer träffsäkra prognoser för algblomning, eftersom toxinerna som bildas påverkar fiskar, djur och människor negativt, berättar Bengt Karlson som är växtplanktonforskare på SMHI.
Algblomningssäsongen i haven börjar under våren när solljuset ökar. Växtplankton, till exempel kiselalger, växer till snabbt vilket leder till att gödningsämnen som nitrat och fosfat förbrukas. I Östersjön tar nitrat slut i ytvattnet medan det finns fosfat kvar efter vårblomningen. Detta gynnar tillväxt av cyanobakterier, som kan använda löst kvävgas som kvävekälla, vilket gör att de konkurrerar ut andra växtplankton. Cyanobakteriernas biomassa byggs upp med tiden. När det är svaga vindar kan vi kan se detta som ytansamlingar frånjuni tillseptember – det vi i folkmun kallar algblomning.
SMHI är experter på oceanografi och använder sedan länge satellitobservationer av algblomningar, vattentemperatur med mera. Nu ska observationer och resultat från oceanografiska modeller användas tillsammans med AI för att förbättra algprognoser. Målet är att utveckla ett system för att SMHI ska kunna ge tidiga varningar för cyanobakterieblomningar i Östersjön.
För att lyckas med det ska projektgruppen nu undersöka hur AI kan nyttjas i kombination med satellitbilder från satelliten Sentinel 3. Satellitobservationer av havets färg (ocean colour) med OLCI-sensorn och observationer av vattentemperatur och vind vid havsytan kommer att användas.
– Vi testar AI-modeller för att undersöka om vi kan förutsäga hur algblomning utvecklas och rör sig, berättar Leon Sütfeld, forskare inom maskininlärning på RISE.
I praktiken kan man nyttja serier av satellitbilder i kombination med andra datakällor över tid för att träna AI-modellerna. Modellerna lär sig att hitta upprepade mönster i data och när de tränats på tusentals bilder lär de sig själv att förutspå hur nästkommande satellitbild skulle kunna se ut. Detta kan skapa en prognos för algblomutvecklingen, i synnerhet cyanobakterier, och vart de är på väg i havet.
Utöver satellitbilder från Sentinel 3A och 3B kommer man nyttja andra datakällor, till exempel från Destination Earth-dataplattformen och Copernicus marina datatjänster med tillgång till olika parametrar såsom yttemperatur, strömhastighet och solljus med flera.
– Destination Earths och Copernicus data- och beräkningsplattformar ger oss enkel tillgång till nödvändiga data och digitala tvillingar, vilket gör att vi effektivt kan ta fram modeller för att förutsäga algblomningen, säger Smita Chakraborty, forskare inom maskininlärning på RISE.
Studien genomförs av RISE och SMHI, och kommer att pågå oktober ut. Finansiering kommer från EUMETSAT och är en del av EU:s satsning på digitala tvillingar av havet.
Vidare läsning
Kunskapsbanken algblomning
Algsituationen – cyanobakterier
SMHI Forskning oceanografi
European Digital Twin of the Ocean
Monitoring the weather and climate from space
Kontaktpersoner
Jenny Carlstedt, Projektledare RISE
Tobias Edman, Digital Earth Sweden
Bengt Karlson, Forskning och utveckling, oceanografi, SMHI