Skytruth e AWS per combattere l’inquinamento degli oceani

La natura non si muove secondo una linea retta. Basta guardare l’immagine satellitare radar di Sentinel-1 scattata sopra il Mare delle Andamane al largo della costa della Thailandia. Cos’è quella linea scura a forma di freccia?

L’immagine è stata scattata in un’area altamente trafficata, una buona ipotesi è che la linea sia la scia di una nave, che è parzialmente corretta. Ma c’è anche qualcosa di illegale.

Questa nave sta riversando in mare le sue acque reflue oleose, o bilge water. Questi rifiuti contengono una combinazione tossica di olio, lubrificanti, grasso, liquidi detergenti e una lunga lista di altri metalli e prodotti chimici nocivi. L’immagine mostra come la chiazza di petrolio segua la rotta della nave, partendo dal fondo dell’immagine, nel punto più largo della linea scura in cui ha avuto inizio lo scarico, e si estende fino a dove si restringe, punto in cui la nave svuota la sentina.

John Amos, presidente di Skytruth
Non ci si può voltare dall’altra parte. Vogliamo portare all’attenzione delle persone questioni ambientali che stanno passando inosservate, come lo scarico illegale dell’acqua di sentina con una foto, in modo che possano vederlo.

Skytruth, opera di sensibilizzazione

L’organizzazione no-profit Skytruth spera di fissare queste immagini nella mente dei politici, dei consigli d’amministrazione e di chiunque possa fare la differenza per affrontare le questioni ambientali. Per Amos e il team di Skytruth, questo significa rivelare come le chiazze di petrolio stiano inquinando gli oceani e come l’attività di pesca commerciale stia decimando le popolazioni ittiche. L’organizzazione vuole anche mostrare come le pratiche minerarie stiano intasando i fiumi e distruggendo la regione degli Appalachi degli Stati Uniti orientali e la foresta pluviale amazzonica del Sud America.

Grazie alla maggiore disponibilità di immagini satellitari (il programma AWS Open Data Sponsorship Program include i dati radar del satellite Copernicus Sentinel-1), Skytruth è in grado di mostrare al mondo ciò che prima era nascosto.

John Amos, presidente di Skytruth
Appena big data e cloud computing sono diventati abbastanza maturi, ci siamo affrettati a sfruttare queste tecnologie per raccontare in larga scala queste storie, mostrando al pubblico queste immagini. E abbiamo iniziato a fare foto con i dati.

Global Fishing Watch, monitorare la pesca in oceano

L’idea di combattere lo scarico in mare di petrolio è venuta dopo che Skytruth ha contribuito a fondare il Global Fishing Watch, una piattaforma che utilizza i dati satellitari per monitorare l’attività di pesca nell’oceano. Amos ha affermato di aver imparato a utilizzare le immagini satellitari mentre lavorava come geologo.

Deep learning

Il team di Skytruth possedeva le immagini ma non il personale necessario per esaminarle e individuare il passaggio di navi che scaricavano petrolio in mare. Il team ha capito che il machine learning, in particolare un modello “deep neural network”, era particolarmente adatto per trovare le linee incriminate.

Il deep learning è un approccio al machine learning per cui il modello è addestrato a “imparare” qualcosa, a riconoscere un suono o un discorso. I modelli di deep learning sono potenti strumenti multiuso che possono anche riconoscere le immagini, identificare sport si sta praticando in base al movimento di un cellulare in tasca, o generare script di film da una singola battuta. Più si “allena” un modello di deep learning, più diventa accurato. Nel caso dello scarico di acque di sentina, il modello di deep learning lavora per identificare le caratteristiche specifiche di una chiazza di petrolio in un’immagine satellitare, scartando foto con macchie simili ma di diversa natura.

Cerulean

Skytruth ha iniziato a costruire un modello di machine learning come partecipante al 2020 AWS Imagine Grant. Soprannominato Cerulean, il modello è l’esempio di come una piccola organizzazione no-profit possa utilizzare il machine learning per gestire una quantità insormontabile di dati.

Ogni giorno, migliaia di nuove immagini satellitari sono disponibili su cloud e centinaia di quelle immagini inquadrano parti dell’oceano. Nei prossimi anni altri satelliti verranno mandati in orbita così che potranno essere scattate decine di migliaia di nuove immagini oceaniche, quotidianamente. Scaricare e guardare manualmente tali immagini richiederebbe un esercito di stagisti o volontari addestrati. Skytruth non ha un esercito, ma ha Jona Raphael, esperto di machine learning sviluppatore capo di Cerulean.

Raphael sta addestrando il modello a identificare i segnali spia di una macchia di petrolio nelle immagini. Uno degli ostacoli maggiori è insegnare al modello a non confondere elementi nell’oceano che possano sembrare acque di sentina, come le fioriture di alghe naturali, la risalite di olio da un giacimento sottomarino o un naufragio.  

Jona Raphael, esperto di machine learning sviluppatore capo di Cerulean
Questa tecnica di rilevamento si basa sul fatto che la banda radar che questi satelliti utilizzano per la cattura di immagini, la banda C, è molto sensibile alla condizione della superficie dell’oceano.

Il modello machine learning

Quando il vento soffia, la banda C ha all’incirca la stessa lunghezza d’onda e altezza delle increspature di una superficie oceanica incontaminata (circa 5 centimetri). La chiazza d’olio impedisce tali increspature, permettendo al radar di rilevare i rifiuti sulla superficie dell’oceano.

John Amos, presidente di Skytruth
Il vento non può innescare quelle increspature quando c’è olio sull’acqua. L’olio è effettivamente scivoloso. La tensione della superficie, cioè la connessione meccanica tra il vento e l’acqua, è inferiore a quella naturale e quindi il vento non ha la stessa capacità di smussare la superficie dell’oceano.

In altre parole, il petrolio disperso nell’oceano pare liscio e nero nell’immagine satellitare perché l’onda radar rimbalza sul petrolio al posto di essere assorbita dalle increspature in mare. Rilevando acqua innaturalmente liscia in linea retta, il modello di machine learning rileva ciò che crede sia una chiazza di petrolio.

Attualmente, più della metà delle immagini identificate da Cerulean sono infatti macchie di petrolio. Ma la bellezza dei modelli di deep learning è che imparano. Più immagini analizza, più il modello diventa preciso. Nel 2020, Cerulean ha identificato correttamente 130 casi di scarico di acqua di sentina ogni mese, ma tenendo conto della limitata copertura degli oceani del mondo, questa cifra suggerisce che il numero effettivo di scarico di rifiuti è vicino a 800 al mese, secondo il team di Skytruth. Le chiazze finora individuate, sono localizzate prevalentemente nel sud-est asiatico, vicino alla costa africana e nel Mediterraneo orientale.

Skytruth

Questo è alla base della missione di Skytruth: mostrare al mondo ciò che non ha mai visto prima e stimolare il cambiamento. Nel caso delle chiazze di petrolio, ciò include l’identificazione delle navi che scaricano le proprie acque di sentina e, in base alla data e all’ubicazione, segnalarle alle autorità per eliminare questa pratica. Potrebbe anche significare individuare le perdite di petrolio presso le piattaforme offshore prima che abbiano un impatto ambientale rilevante.

Il potere dell’approccio di questo piccolo team è evidente. Skytruth ha accesso ai dati delle immagini satellitari, che aumenteranno sempre di più. E sperano di sviluppare qualunque tipo di modello di machine learning che possa affrontare qualunque tipo di problema.

John Amos, presidente di Skytruth
Sogniamo di costruire una pipeline di gestione delle immagini, come quella che Jona ha costruito per Cerulean, per poi eseguire più modelli sullo stesso flusso di dati. C’è un modello che sta rilevando l’inquinamento da petrolio, un altro che è alla ricerca di navi nell’oceano, un altro ancora che cerca barche che dragano oro sui fiumi amazzonici.

E poi ce n’è un altro che guarda agli eventi di deforestazione nella foresta pluviale. Un set di dati, disponibile su cloud, che possa essere adattato a molti modelli. Basta identificare le immagini che ti interessano, selezionarle e eseguire un’analisi. Poi li si condivide con il mondo. Se puoi vederlo, puoi cambiarlo.