Selbstlernende KI meldet Algenblüten aus Satellitenbildern – ohne gelabelte Daten
Ein neues selbstlernendes Machine‑Learning‑Framework namens SIT‑FUSE ermöglicht die Erkennung und Kartierung von schädlichen Algenblüten (HAB) ohne die Notwendigkeit von gelabelten Datensätzen einzelner Sensoren. Durch die Kombination von Reflektanzdaten aus VIIRS, MODIS, Sentinel‑3 und PACE mit der Sonneninduzierte Fluoreszenz (SIF) von TROPOMI kann das System die Schwere und Spezialisierung von Algenblüten in Echtzeit bestimmen.
Die Methode nutzt selbstüberwachtes Repräsentationslernen und hierarchische Deep‑Clustering‑Algorithmen, um Phytoplanktonkonzentrationen in interpretierbare Klassen zu segmentieren. Validierungen anhand von In‑Situ‑Messungen aus dem Golf von Mexiko und Südkalifornien (2018‑2025) zeigen eine starke Übereinstimmung mit Gesamtphytoplankton sowie mit den Arten Karenia brevis, Alexandrium spp. und Pseudo‑nitzschia spp.
Diese Fortschritte ermöglichen eine skalierbare Überwachung von Algenblüten in datenarmen Umgebungen und eröffnen neue Möglichkeiten für explorative Analysen mittels hierarchischer Einbettungen. SIT‑FUSE stellt damit einen wichtigen Schritt dar, um selbstlernende Ansätze für die globale aquatische Biogeochemie operativ nutzbar zu machen.