Belastung aquatischer Ökosysteme mit Kunststoffmüll Möglichkeiten eines globalen und lokalen Monitorings mittels Satelliten-gestützter Methoden

Transkript

1 Belastung aquatischer Ökosysteme mit Kunststoffmüll Möglichkeiten eines globalen und lokalen Monitorings mittels Satelliten-gestützter Elizabeth C. Atwood*, J. Franke, S. Englhart, S. Piehl, M. Bochow, H. Imhof, F. Siegert, C. Laforsch 8. RESA Workshop. Von der Zustands- zur Prozessanalyse Nutzung von Zeitreihen des RESA, * atwood@rssgmbh.de Sentinels4marine plastic waste Gefördert durch:

2 Das Kunststoffzeitalter Thompson et al. (2009) 2

3 Das Kunststoffzeitalter C. Fackler, NOAA Office of National Marine Sanctuaries Cole et al. (2013; 2015) Thompson et al. (2009) 3

4 Das Kunststoffzeitalter Plastics at SEA North Pacific Expedition; sea.edu/plastics dbw.parks.ca.gov Thompson et al. (2009) 4

5 Das Kunststoffzeitalter Modellierte globale Plastikmüll-Verteilung 7, ,000 t Eriksen et al. (2014); Cózar et al. (2014) Partikel/km 2 Thompson et al. (2009) 5

6 Das Kunststoffzeitalter Modellierte globale Plastikmüll-Verteilung 7, ,000 t Eriksen et al. (2014); Cózar et al. (2014) Partikel/km 2 Jährliche Kosten von Plastikmüll Fischindustrie: $364 Mio. USD Schifffahrt: $279 Mio. USD Tourismus: $622 Mio. USD Gesamt $1.27 Mrd. USD (UNEP Jahrbuch 2014) 6

7 Aktuelle Plastik-Monitoringmethoden Flüsse Küsten Ozean Kaum Daten Oft nach Sturmereignissen Strand Monitoringprogramme (z.b. Coastal Cleanup) Fokus: Makroplastikteile (> 5mm) Netzzüge an der Oberfläche Strömungsmodelle + bekannte Plastikmüll-Quellen +? = Flusskarten S. Piehl satimagingcorp.com Ozeankarten Können fernerkundliche nutzbare Information liefern, um Monitoring-Programme zu verbessern? 7

8 Projektziele Field sampling Quantification of plastic debris input into and transport along rivers Mapping distribution patterns of plastic debris at estuaries and adjacent coasts Remote sensing Mapping of spatio-temporal distribution patterns of plastic debris in the oceans Direkt Spektrales Plastik-Signal Indirekt Wasserparameter als Proxys 8

9 Projektziele Field sampling Quantification of plastic debris input into and transport along rivers Mapping distribution patterns of plastic debris at estuaries and adjacent coasts Remote sensing Mapping of spatio-temporal distribution patterns of plastic debris in the oceans Direkt Spektrales Plastik-Signal Indirekt Wasserparameter als Proxys 9

10 Annahme der indirekten Methode Plastik wird durch die gleichen Mechanismen wie z.b. Schwebstoffe & planktonische Algen transportiert Kubota (1994), Howell et al. (2012), Pichel et al. (2012) Zu Untersuchender Wasserparameter Mikroplastik 10

11 Annahme der indirekten Methode Plastik wird durch die gleichen Mechanismen wie z.b. Schwebstoffe & planktonische Algen transportiert Kubota (1994), Howell et al. (2012), Pichel et al. (2012) Wellen Zu Untersuchender Wasserparameter Mikroplastik 11

12 Annahme der indirekten Methode Plastik wird durch die gleichen Mechanismen wie z.b. Schwebstoffe & planktonische Algen transportiert Kubota (1994), Howell et al. (2012), Pichel et al. (2012) Wellen Strömung Zu Untersuchender Wasserparameter Mikroplastik 12

13 Annahme der indirekten Methode Plastik wird durch die gleichen Mechanismen wie z.b. Schwebstoffe & planktonische Algen transportiert Kubota (1994), Howell et al. (2012), Pichel et al. (2012) Wellen Strömung Wind Zu Untersuchender Wasserparameter Mikroplastik 13

14 Annahme der indirekten Methode Plastik wird durch die gleichen Mechanismen wie z.b. Schwebstoffe & planktonische Algen transportiert Kubota (1994), Howell et al. (2012), Pichel et al. (2012) Wellen Strömung Wind Zu Untersuchender Wasserparameter Mikroplastik Ableitbare Wasserparameter Chlorophyll-a, Gelb- & Schwebstoffe, Wasseroberflächentemperatur 14

15 Satelliten-basierte Proxys Fernerkundungs-Messungen als Hinweise von Plastikmüll-Sammelplätzen Pichel et al. (2007); Morishige et al. (2007) Proxy Publikation Algorithmus Basis Wasseroberflächentemperatur Landsat-5 TM band 6 1 (SST) Baban (1993) ( μm) Chlorophyll-a 4 Proxys Schwebstoffe (Suspended Particulate Matter) 2 Proxys Gelbstoff (colored Dissolved Organic Matter) 3 Proxys 2 (Chl-a) Dall Olmo & Gitelson (2006); Gitelson et al. (1985) 3 (Chl-a) Dall Olmo & Gitelson (2006) 4 (Chl-a) Gons (2002; 1999) 5 (Chl-a) 6 (SPM) O Reilly et al. (1998) (OC4 algorithm) Jørgensen (2000) (SISCAL SPM algorithm) 7 (SPM) Dekker (1993) 8 (cdom) Kutser et al. (2005) R rs (725 nm), R rs (665 nm) R rs (671 nm), R rs (710 nm), R rs (740 nm) R rs (704 nm), R rs (672 nm), R rs (776 nm) R rs (443 nm), R rs (555 nm), R rs (490 nm), R rs (512 nm) Subsurface irradiance reflectance at 555 nm Subsurface irradiance reflectance at 706 nm EO-1 ALI: band 2 ( nm), band 3 ( nm) 9 (cdom) Kowalczuk et al. (2005) R rs (490 nm), R rs (590 nm) 10 (cdom) Schwarz (2005) R rs (443 nm), R rs (512 nm) R rs : Remote sensing reflectance 15

16 Projektziele: Flüsse Flüsse Beprobungszeitraum Deutschland: Trave & Elbe 2014 & 2015 Italien: Po Flussdelta Mai/Juni 2016 Indonesien: Citarum Sommer 2016 Feldkampagnenziel: deckt jeweils Fluss und Mündung ab 16

17 Datenakquise & Modellierung Mikroplastik (< 5mm) Wasserparameter In-situ Spektraldaten Satellitendaten In-situ Korrelation Kalibrierte Proxy-Formeln Bilder Wasserparameter Ziel: Kartierung von Mikroplastik entlang von Flüssen & Küsten 17

18 Elbe & Trave Proben 54 0'N Cuxhaven Elbe Nord-Ostsee- Kanal Stör km Trave Lübeck Lübeck 54 0'0"N 53 30'N Bremerhaven Oste Hamburg Elbe- Lübeck- Kanal 53 30'0"N 8 30'E km 9 0'E 9 30'E 10 0'E 10 30'0"E n Elbe n 11 0'0"E Nord See DE Elbe Ostsee POL CZE Elbe Einzugsgebiet Trave Einzugsgebiet Ozean und Wasserwege Wattenmeer Stadtgebiete Nichtstädtische Gebiete 2015 Elbe Proben Juni (n=13) August (n=20) 2014 Trave Proben Mai (n=27) Daten Quellen Corine Land Cover v.17, European Environmental Agency (EEA) Open Street Maps HydroSHEDS, World Wildlife Foundation (WWF) AUT 18

19 Elbe Wasserparameter Karten 54 0'N Nord See In-situ Model Nord-Ostsee- Kanal Kalibration Wasserparameter Stör Ziel: Mikroplastik Karte Cuxhaven Elbe Oste Bremerhaven 53 30'N km 8 30'E 9 0'E 9 30'E 19

20 Elbe Wasserparameter Karten 54 0'N Nord See Bremerhaven 53 30'N km 8 30'E 9 0'E 9 30'E RapidEye Aufnahme von Gleichzeitig zur Elbe Feldkampagne 20

21 Elbe Wasserparameter Karten 54 0'N Nord See Schwebstoff mg/l TMZ Bremerhaven 53 30'N km 8 30'E 9 0'E 9 30'E Schwebstoff (SPM) Erkennung Turbidity Maximum Zone (TMZ) 21

22 Elbe Wasserparameter Karten 54 0'N Nord See Schwebstoff Chl-a ug/l mg/l TMZ Bremerhaven 53 30'N km 8 30'E 9 0'E 9 30'E Chlorophyll-a Schwer von SPM zu trennen, mit Rot/NIR verwendet 22

23 Elbe Wasserparameter Karten 54 0'N Nord See cdom-420 Chl-a nm pro ug/l m Stör Medem Oste Bremerhaven 53 30'N km 8 30'E 9 0'E 9 30'E Gelbstoffe (cdom) Absorption nm Eintrag von Flüssen gut zu erkennen 23

24 Kalibration der Proxyformeln anhand Spektrometer und in situ Daten (Trave) Gelbstoff: cdom-400 nm In-situ Model Formel Kalibration Wasserparameter Ziel: Mikroplastik Karte 24

25 Kalibration der Proxyformeln anhand Spektrometer und in situ Daten (Trave) Gelbstoff: cdom-400 nm Literatur-Formel measured measured r²: 0.86 RMSE: 8.34 Bias: In situ vs. measured6.91 In situ vs. measured Regression One-to-one sort(measured) sort(measured) Q-Q plot Q-Q plot Modellierte Werte (derived) vs in situ Daten (measured) derived sort(derived) derived Hist log-based errors sort(derived) Hist derived vs measured Frequency Frequency Hist log-based errors log(measured/derived) log(measured/derived) rel freq rel freq in situ Hist derived vs measured derive in situ derive chl chl Log Error (in situ/modelliert) Ausgewogenhiet oder Bias der Daten 25

26 Kalibration der Proxyformeln anhand Spektrometer und in situ Daten (Trave) Gelbstoff: cdom-400 nm Literatur-Formel measured measured r²: 0.86 RMSE: 8.34 Bias: In situ vs. measured6.91 In situ vs. measured Regression One-to-one derived sort(measured) sort(measured) measured measured Kalibrierte Formel r²: 0.94 RMSE: 0.07 Bias: 0.06 Q-Q plot Q-Q plot In situ vs. measured In situ vs. measured Regression One-to-one sort(derived) derived sort(measured) sort(measured) Q-Q plot Q-Q plot Modellierte Werte (derived) vs in situ Daten (measured) sort(derived) derived Hist log-based errors sort(derived) derived Hist derived vs measured Hist log-based errors sort(derived) Hist derived vs measured Frequency Frequency Hist log-based errors log(measured/derived) log(measured/derived) rel freq rel freq in situ Hist derived vs measured Hist log-based errors Frequency Frequency chl log(measured/derived) chl derive in situ derive rel freq rel freq in situ Hist derived vs measured Log Error (in situ/modelliert) derived in situ derived Ausgewogenheit (Bias) der Daten water param

27 Elbe vorläufige Particles/m³ Mikroplastik Partikeln: 5 mm μm ATR-IR (Bayreuth) HySpex (GFZ Potsdam) noch nicht fertig aber wird Partikeln bis 80 μm messen können 27

28 Elbe vorläufige Particles/m³ Mikroplastik Partikeln: 5 mm μm ATR-IR (Bayreuth) HySpex (GFZ Potsdam) noch nicht fertig aber wird Partikeln bis 80 μm messen können > Trave vorläufige : av. 1.3±2.6 particle/m 3 28

29 Projektziel: Monitoring Meere Hintergrund Spektral Vorläufige Überblick Indikatoren n = 9656, Proben von Mai 1972 Nov Mikroplastik Konzentration (log10 Teile/km2) 0 Datensätze Cózar et al. (2014) Eriksen et al. (2014) Goldstein et al. (2013) Law & Morét-Ferguson (2014) Law et al. (2010) 29

30 Projektziel: Monitoring Meere Hintergrund Spektral Vorläufige Überblick Indikatoren n = 9656, Proben von Mai 1972 Nov Great Pacific Garbage Patch Mikroplastik Konzentration (log10 Teile/km2) 0 Datensätze Cózar et al. (2014) Eriksen et al. (2014) Goldstein et al. (2013) Law & Morét-Ferguson (2014) Law et al. (2010) 30

31 Ocean Convergence Fronts 50 N SA Kanada SMOS Daten (CP34-BEC) 9-tägige Komposite-Bild Kerndatum SA Subarctic domain USA TZ Transition zone TZ ST Subtropical domain 30 N Salinität ppt 160 W ST 140 W 120 W Salinität Konturen ppt Subarctic Front ppt Subtropical Front Mikroplastik Konzentration (log 10 Teile/km 2 )

32 Fazit und Ausblicke Flüsse Verbesserte Wasserparameter Karten durch kalibriete Algorithmen Plastikproben zur Zeit in Labor-Bearbeitung In situ Datensatz wird erweitert durch Po und Citarum Beprobung in 2016 Nutzungsmöglichkeiten: Sentinel-2 Daten bieten höhe räumliche und spektrale Auslösung, besonders in dem NIR Bereich Meere Salinität potenziell bester Parameter, um Wirbel und Fronten zu erkennen Bedarf an mehr aktuellen öffentlichen Datensätzen 32

33 Danke Gefördert von S. Piehl 33

34 Referenzen Baban, S. M. J. (1993) Int. J. Remote Sens. 14, Cole, M. et al. (2013) Environ. Sci. Technol. 47, Cole, M. et al. (2015) Environ. Sci. Technol. Cózar, A. et al. (2014) Proc. Natl. Acad. Sci. USA Dall Olmo, G. & Gitelson, A. A. (2006) Appl. Opt. 45, Dekker, A. G. Detection of optical water quality parameters for eutrophic waters by high resolution remote sensing. 237 (Proefschrift Vrije Universiteit Amsterdam, 1993). Eriksen, M. et al. (2014) PLoS One 9(12), e Gitelson, A. et al. (1985) Remote Sens. 6, Goldstein, M. et al. (2013) PloS one 8(11), e Gons, H. J. J. (2002) Plankton Res. 24, Gons, H. J. (1999) Environ. Sci. Technol. 33, Howell et al. (2012) Mar. Pollut. Bull. 65, Jørgensen, P. V. Interpretation of remote sensing ocean colour in Danish coastal waters. (PhD Thesis. Institute of Geography, Univ. Copenhagen, Danemark, 2000). Kowalczuk, P. & Olszewski, J. (2005) Int. J. Remote Sens. 26, Kubota, M. (1994) J. Phys. Oceanogr. 24, Kutser, T. et al. (2005) Remote Sens. 94, Law, K. L. et al. (2010) Science 329(5596 ), Law, K. & More t-ferguson, S. (2014) Environ. Sci. Technol. 48, Morishige, C. et al. (2007) Mar. Pollut. Bull. 54, O Reilly, J. E. et al. (1998) J. Geophys. Res. 103, Pichel, W. G. et al. (2007) Mar. Pollut. Bull. 54, Pichel et al. (2012) Mar. Pollut. Bull 65, Schwarz, J. (2005) Int. J. Remote Sens. 26, Thompson, R. C. et al. (2009) Philos. Trans. R. Soc. Lond. B. Biol. Sci. 364,