前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >这 10 条河,「贡献」了全球 95% 的海洋塑料污染

这 10 条河,「贡献」了全球 95% 的海洋塑料污染

作者头像
HyperAI超神经
发布2021-04-30 16:03:38
5520
发布2021-04-30 16:03:38
举报
文章被收录于专栏:HyperAI超神经HyperAI超神经

By 超神经

内容概要:海洋,占据了地球上 70% 的面积,它可以沉静,可以欢腾,也可以暴怒,在浩瀚的海洋世界中,一些外来物严重威胁到了海洋生物的生存。

关键词:海洋污染 深度学习 环保

世界经济论坛在 2016 年发布的报告显示,每年全球有 800 万吨塑料流入海洋,相当于每分钟就有一卡车塑料被倒入海里。

直接受到塑料垃圾影响的沿海及海洋生物种类高达 800 多种,每年就会有 100 万只海鸟和 10 万只海洋哺乳动物死于塑料垃圾。

海洋中的塑料污染,同样威胁着人类的健康。难降解的塑料垃圾进入海水后,在外力作用下会变成微型塑料,很容易被鱼类、贝类等生物当成食物吃掉。

塑料毒素经由鱼虾贝等生物,最终将到达人类的餐桌上。更有专家提出,海洋中的塑料最终会被分解为纳米塑料,这种塑料极小,摄入后可以进入人体细胞,影响人类激素水平及生长发育。

科研人员在海鱼内脏中发现了多个微型塑料

联合国环境规划署在一项报告中指出,这些倒入海洋的塑料垃圾中,95% 源自 10 条河流,60% 来自东南亚,其中以湄公河污染最为严重。

印尼巴厘岛的蝠鲼在塑料污染中穿行

联合国副秘书长 Armida 称

东盟是世界上海洋塑料污染最严重的地区

湄公河是东南亚最重要的跨国水系,流经 6 个国家,是沿途 7000 万人的饮水来源。如何解决湄公河塑料污染,成为关乎全人类及其子孙后代的重要议题。

CounterMEASURE:把握塑料污染入口

2019 年 5 月,联合国环境规划署发布了针对湄公河及恒河流域塑料污染的反措施项目,英文代号 CounterMEASURE。

CounterMEASURE 主要关注海洋中塑料垃圾的「入口」,即垃圾是如何进入到海水中的,其重要目的之一,就是开发一个识别和监测模型,查明湄公河流域塑料垃圾的来源和路径。

湄公河流域 5 个试点示意图

蓝色线条表示湄公河,红色线圈出位置表示湄公河流域

其中 3 个试点分别位于新加坡、越南、柬埔寨

2 个试点位于泰国境内

在该项目中,科学家使用无人机、GIS 以及机器学习等技术,监测河流、水道等最终汇入海洋的陆地区域,获取地理空间数据和塑料垃圾图像,并依此开发了可以评估湄公河塑料污染情况的前沿技术。

GIS + 无人机 + ML,采样分析一条龙

在亚洲理工学院地理信息中心 (GIC) 的支持下,科研人员开发了一个 GIS 平台,旨在利用无人机对湄公河流域拍摄航空图像,并依据图像计算塑料垃圾的实际分布和排放情况。

航拍

机器型号:大疆精灵 4 Pro

拍摄范围:湄公河流域及泰国乌汶府和老挝万象境内的支流流域

拍摄要求:老挝境内拍摄标准为海拔小于等于 30m,分辨率为 4K (3840x2160 像素),并用 623 张光学图像进行分析

利用无人机对乌汶府地区拍摄航空图像

左右图表示垃圾清理前后的对比图

根据 GIC 共享的航拍图像,科研人员试图通过机器学习、深度学习等先进技术,对航拍图像数据进行分析。

步骤一:创建数据集

老挝地区航拍图像,共包括 3423 张包含垃圾的图像以及 7000 张不包含垃圾的图像,并以此作为模型训练的数据集。

目标识别过程中,创建数据集的步骤

步骤二:创建目标检测模型

将无人机采集的航空图像,按照长宽比均匀分割,然后用 slide window(滑动窗口)法,对每个区域进行深度学习。

用 slide window 法分析图像的示意图

通过滑动宽度固定的矩形,对整张图像进行分析

该方法更易于验证分析结果

且在小体积垃圾的检测和识别上具有优势

在这一过程中,只需确定 3 个参数:矩形的长和宽以及 slide 的宽度。这使得处理进程更加迅速直观。

该阶段使用的深度学习模型,是基于现有的 3 种 CNN 系统模型 (VGG16、MobileNet-V2、Inception-v3) 创建的。

在模型创建过程中,借助 Google Vision API 可以检测 1098 个垃圾区域。

实验结果

图像分析结果显示:在老挝万象 761,400 平方米(不考虑图像重叠区域)的湄公河流域内,共发现了 8284 个垃圾,平均每 1000 平方米有 10.89 个垃圾。

此外通过迁移学习的方法,将目标物体分为多个类别或使用多个输入,可以进一步提高模型的准确率。

高亮部分显示谷歌地图中无人机的拍摄区域

红色表示纸质垃圾数量巨大,绿色表示垃圾数量少

构建通用模型任重道远

针对老挝万象湄公河流域的塑料垃圾识别模型,准确率达到了 83.9%,但是该模型仅适用于万象地区的湄公河流域,并不具备通用性。

联合国环境规划署公布的一项数据表明,全球 95% 的海洋塑料污染,源自 10 条河流,其中 8 条位于亚洲,2 条位于非洲。

全球塑料污染来源示意图

10 条河流分别是湄公河、印度河、恒河、尼罗河、尼日尔河

阿穆尔河、长江、黄河、海河、珠江

为不同河流创建通用机器学习模型、统一航拍标准和图像格式,成为扩大调查范围、早日控制塑料垃圾「入海」的关键。

4 月 20 日,联合国环境规划署宣布,将与 Google 合作,针对海洋塑料污染开发通用机器学习模型。

这一全新的通用机器学习模型,除了能对湄公河流域的塑料污染进行更加详细准确的分析外,还将具有高扩展和高可用性,适用于世界上的其他塑料重污染流域,同时为开发塑料污染传播热力图提供素材。

海洋健康与地球和人类生活息息相关,在 BBC 经典纪录片《蓝色星球》中曾这样讲到:

海洋,了无边际,它让我们充满敬畏和惊叹,有时也会心生畏惧。

或许当下人类所欠缺的,正是这一点敬畏和爱惜之情。百舸争流百川入海,你我减少塑料制品的使用,就是从源头上保护海洋生态。

参考:

https://countermeasure.asia/wp-content/uploads/UNEP_CounerMEASURE_Aerial_Image_Analysis_Survey_Report_Eng.pdf

https://www.unep.org/news-and-stories/press-release/unep-and-google-partner-hunt-plastic-pollution-machine-learning

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-04-29,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 HyperAI超神经 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档