Met AI speuren naar uitstoot van broeikasgassen
Promovendus Julia Wąsala zoekt naar uitstoot van broeikasgassen in satellietdata. Als informaticus slaat ze zo een brug tussen computerwetenschappen en ruimteonderzoek. 'We kunnen dit onderzoek echt niet zonder samenwerking doen.'
‘We kunnen methaan al opsporen met behulp van AI’, vertelt Wasala. Zij werkt met atmosfeerwetenschappers van ruimteonderzoeksinstituut SRON (Space Research Organisation Netherlands) aan machine learning-modellen, een vorm van AI, die grote broeikasgasemissies detecteren vanuit de ruimte. Er is te veel data om handmatig te bekijken en zulke modellen bieden een uitkomst.
Hoeveel broeikasgassen stoten mensen uit?
De AI-methode waar Wąsala het over heeft detecteert uitstoot in de vorm van een puntbron, ook wel een pluim genoemd. ‘Dat project geeft een beter beeld van hoeveel methaan mensen uitstoten', zegt ze. ‘Hiermee kunnen we bijvoorbeeld bijdragen aan het opsporen van lekken in gasleidingen of emissie van vuilnisbelten, en dat vervolgens oplossen.’
De promovendus ontwierp een methode die ook pluimen van andere gassen kan detecteren. ‘Mijn belangrijkste bijdrage is dat dit volledig automatisch gebeurt. Deze methode past automatisch het model aan voor verschillende gassen, zoals methaan, koolmonoxide en in de toekomst stikstofdioxide.’
Niet alleen het model moet goed zijn, maar ook de trainingsdata
Dat het model goed in elkaar moet zitten is geen verrassing, maar de trainingsdata is minstens net zo belangrijk, legt Wąsala uit. In verreweg de meeste satellietbeelden zit geen gaspluim, maar toch moet het model genoeg voorbeelden hebben om van te kunnen leren. Iemand moet daarom honderden trainingsbeelden handmatig labelen. ‘Dat is een monsterklus. We zijn heel blij dat iemand van SRON dat heeft kunnen doen’, voegt ze toe.
'Ik vind het leuk om samen te werken. Het is ook noodzakelijk: ik heb zelf niet de expertise om de satellietbeelden te analyseren.'
Wolken gooien roet in het eten
De grootste uitdaging zit echter in onverwachte vooroordelen, ofwel bias, in de data. ‘Veel mensen weten dat AI-modellen bevooroordeeld kunnen zijn, maar we associëren zulke bias meestal met mensen: huidskleur, geslacht of sociaaleconomische status', geeft Wąsala aan. ‘In satellietdata zien we ook bias – het ziet er alleen anders uit.’
Veel satellietbeelden hebben ontbrekende pixels, bijvoorbeeld door wolken die het aardoppervlakte verhullen. Vaak komen deze ontbrekende pixels niet willekeurig voor, maar is er een patroon. Zo zijn er meer wolken boven de evenaar. ‘Het resultaat was dat mijn model leerde te voorspellen dat er een pluim aanwezig was als er weinig ontbrekende pixels in een afbeelding. Maar dat is helemaal niet aan elkaar gerelateerd.’
Samenwerking tussen informatica en aardwetenschappen
Wąsala werkt als informaticus ‘onder de motorkap’ zoals ze het zelf noemt. Zij schrijft de code, maar heeft de aardwetenschappers nodig om de data – en dus de uitkomsten van haar model – te interpreteren. Gelukkig stapt ze makkelijk over de grenzen van haar vakgebied heen. 'Ik vind het leuk om samen te werken. Het is ook noodzakelijk: ik heb zelf niet de expertise om de satellietbeelden te analyseren', aldus Wąsala. ‘Maar soms is het ook lastig. We spreken allemaal een eigen taal.'
'Ik wil laten zien hoe leuk dit onderzoek is'
De promovendus doet een hoop om AI toegankelijker te maken. Ze heeft een blog waarin ze aardwetenschappers informeert over de mogelijkheden van machine learning. Ze stond op het Weekend van de Wetenschap en zit in het ‘Vraag het Leiden’-panel waarbij ze vragen van kinderen over AI beantwoordt. ‘Ik wil graag laten zien hoe leuk dit onderzoek is. Ik doe bij zo’n praatje ook vaak een paars of roze pak aan om te laten zien: onderzoek is voor iedereen, gewoon zoals je bent.’
