RiverSnap

Im Forschungsprojekt RiverSnap (Teil des Projektes Zukunftslabor Wasser), werden Smartphone-Bilder und andere Quellen wie Drohnenbilder von Flüssen sowie freiwillig bereitgestellte Videos von Bürgern*, Wissenschaftlern und Gemeindemitgliedern mit In-situ-Daten (z. B. Daten der offiziellen Pegelstationen) kombiniert. Diese Daten werden analysiert, um relevante wasserbezogene, hydraulische und strukturelle Parameter von Flusssystemen zu bestimmen. Das Projekt RiverSnap fokussiert sich auf die Entwicklung und Erforschung innovativer Methoden zur Bestimmung hydraulischer Parameter, die auf dieser Plattform geteilt werden.

Um dieses Ziel zu erreichen, werden modernste Methoden des maschinellen Lernens und der künstlichen Intelligenz eingesetzt, entwickelt und verbessert. Diese Methoden ermöglichen die präzise Bestimmung verschiedener hydraulischer Parameter wie z.B. Wasserstand, Fluss/-Grabenzustand (Verkrautung/Vegetation), Flussverlauf (Erosion/Deposition), Verschmutzung (Müll, Verklausung) oder der Wasserqualität (Trübung). Die gewonnenen Erkenntnisse werden dann an verschiedene Nutzergruppen weitergegeben, um fundierte Entscheidungen zu ermöglichen und Ressourcen effektiv zu verwalten.

1. Nehmen Sie die Fotos des Gewässers (ohne Zoom, ohne Filter) an einer festen Station auf oder machen Sie eigene Fotos an einem Ort ihrer Wahl. Wenn möglich aktivieren Sie bitte den GPS Standort Tag für Bilder in den smartphone camera settings oder geben uns Informationen über die Position des Fotos. 
   Da wir eine Reihe von Bildern von verschiedenen Tagen benötigen, stellen Sie bitte sicher, dass die Fotos möglichst vom gleichen Standort und einer ähnlichen Position / einem ähnlichen Winkel gemacht werden.
2. Teilen Sie die Bilder z.B. per E-Mail (riversnap.de@gmail.com) oder über Facebook, Twitter und Instagram mit einem eindeutigen Hashtag (#RiverSnap, #RiverSnaphannover, #LufiRiverSnaphannover usw.) oder über die Crowdwater Plattform.

Crowdwater ist ein Bürgerwissenschaftsprojekt, das bereits ein Beobachtungsnetzwerk für Binnengewässer aufgebaut hat. Es nutzt Infrastrukturen wie Cradles und CoastSnaps, um Smartphone-Bilder zu sammeln.

RiverSnap Doelstellingen:

Auf künstlicher Intelligenz (KI) basierende Parameterextraktion:

• Ziel von RiverSnap ist die Entwicklung robuster, intelligenter, kostengünstiger und effizienter KI-basierter Analyseansätze.
• Diese Ansätze zielen darauf ab, hydraulische Parameter wie Wasserstand (Pegelstand), Flussverlauf (Erosion/Absenkung), ökologische Merkmale oder den Hochwasserzustand aus den gesammelten Bildern/Videos aus verschiedenen Quellen zu extrahieren/zu überwachen.

Aus unterschiedlichen Quellen zusammengetragene Bilder:

• Wissenschaftler, Community-Mitglieder und Bürger können sich beteiligen, indem sie mit ihren Smartphones / Fotokameras an einer offiziellen Messtelle Bilder oder Videos von Gewässern aufnehmen.
• Eine weitere Möglichkeit ist die Aufnahme von Fotos an einem beliebigen Ort. Um diese Bilder bestmöglich zu nutzen, sind wiederholte Aufnahmen am selben Ort wünschenswert.
•  Diese Bilder können z.B. direkt per email oder Hashtag mit uns geteilt werden. Die Bilder können auch auf der crowdwater platform geteilt werden.

Erste Einblicke in neuartige Bildanalysemethoden, die in RiverSnap untersucht wurden:

Die genaue Segmentierung von Bildern vom Hintergrund ist für eine Vielzahl an Aufgaben entscheidend. Für diese Aufgabe wurden zahlreiche Segmentierungsmethoden entwickelt. Viele von ihnen, insbesondere traditionelle Methoden, stoßen jedoch auf Herausforderungen aufgrund der dynamischen Natur des Wassers, seiner unterschiedlichen Farben und der Reflexion von Strukturen auf der Oberfläch.

Für diese Aufgaben eignen sich insbesondere machine learning / KI Methoden. Die hierfür genutzten Segmentierungsalgorithmen  wie z.B. der SAM-Algorithmus (Meta AI) werden mit spezifischen Daten / Bildern trainiert, um dessen Parameter und Genauigkeit zu verbessern (see Figure 2). Lesen Sie sich hierzu eine neue Publikation durch welche sich mit dem Vergleich und der Verbesserung verschiedener Segmentierungsalgorithmen beschäftigt.