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 Nationalen Forum für Fernerkundung und Copernicus. Copernicus Erfolgreich Nutzen, 03. 05.11.2015 * atwood@rssgmbh.de Sentinels4marine plastic waste Gefördert durch:
Das Kunststoffzeitalter Thompson et al. (2009) 2
Das Kunststoffzeitalter C. Fackler, NOAA Office of National Marine Sanctuaries Cole et al. (2013; 2015) Thompson et al. (2009) 3
Das Kunststoffzeitalter Plastics at SEA North Pacific Expedition; sea.edu/plastics dbw.parks.ca.gov Thompson et al. (2009) 4
Das Kunststoffzeitalter Modellierte globale Plastikmüll-Verteilung 7,000-250,000 t Eriksen et al. (2014); Cózar et al. (2014) Partikel/km 2 Thompson et al. (2009) 5
Aktuelle Plastik-Monitoringmethoden Flüsse Küsten Ozean Kaum Daten Oft nach Sturmereignissen Strand Monitoringprogramme (z.b. Coastal Cleanup) Fokus: Makroplastiktteile (> 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? 6
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 7
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
Annahme der indirekten Methode Plastik wird durch die gleichen Mechanismen wie z.b. Schwebstoffe & Chlorophyll transportiert Kubota (1994), Howell et al. (2012), Pichel et al. (2012) Zu Untersuchender Wasserparameter Mikroplastik 9
Annahme der indirekten Methode Plastik wird durch die gleichen Mechanismen wie z.b. Schwebstoffe & Chlorophyll transportiert Kubota (1994), Howell et al. (2012), Pichel et al. (2012) Wellen Zu Untersuchender Wasserparameter Mikroplastik 10
Annahme der indirekten Methode Plastik wird durch die gleichen Mechanismen wie z.b. Schwebstoffe & Chlorophyll transportiert Kubota (1994), Howell et al. (2012), Pichel et al. (2012) Wellen Strömung Zu Untersuchender Wasserparameter Mikroplastik 11
Annahme der indirekten Methode Plastik wird durch die gleichen Mechanismen wie z.b. Schwebstoffe & Chlorophyll transportiert Kubota (1994), Howell et al. (2012), Pichel et al. (2012) Wellen Strömung Wind Zu Untersuchender Wasserparameter Mikroplastik 12
Annahme der indirekten Methode Plastik wird durch die gleichen Mechanismen wie z.b. Schwebstoffe & Chlorophyll 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 13
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) (10.40-12.50 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 (525-605 nm), band 3 (630-690 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 14
Projektziele: Flüsse Flüsse Beprobungszeitraum Deutschland: Trave & Elbe 2014 & 2015 Italien: Po Flussdelta Frühjahr 2016 Indonesien: Citarum Sommer 2016 Feldkampagnenziel: deckt jeweils Fluss und Mündung ab 15
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 16
Elbe & Trave Proben Nord-Ostsee- Kanal 0 5 10 20 30 40 km 54 0'N Stör 54 0'0"N Cuxhaven Elbe Trave Lübeck 53 30'N Bremerhaven Oste Hamburg Elbe- Lübeck- Kanal 53 30'0"N 8 30'E 0 5 10 20 30 40 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 17
Elbe Wasserparameter Karten 54 0'N Nord See In-situ Model Nord-Ostsee- Kanal Kalibration Wasserparameter Stör Ziel: Mikroplastik Karte Cuxhaven Elbe Oste Bremerhaven 3 30'N 0 5 10 20 30 40 km 8 30'E 9 0'E 9 30'E 18
Elbe Wasserparameter Karten 54 0'N Nord See Bremerhaven 3 30'N 0 5 10 20 30 40 km 8 30'E 9 0'E 9 30'E RapidEye Aufnahme von 21.08.2015 Gleichzeitig zur Elbe Feldkampagne 19
Elbe Wasserparameter Karten 54 0'N Nord See Schwebstoff 11 8 5 mg/l TMZ Bremerhaven 3 30'N 0 5 10 20 30 40 km 8 30'E 9 0'E 9 30'E Schwebstoff (SPM) Erkennung Turbidity Maximum Zone (TMZ) 20
Elbe Wasserparameter Karten 54 0'N Nord See Schwebstoff Chl-a 25.0 11 12.5 8 05 ug/l mg/l TMZ Bremerhaven 3 30'N 0 5 10 20 30 40 km 8 30'E 9 0'E 9 30'E Chlorophyll-a Schwer von SPM zu trennen, mit Rot/NIR verwendet 21
Elbe Wasserparameter Karten 54 0'N Nord See Chl-a cdom-420 nm 25.0 10 12.5 6 02 pro ug/l m Stör Medem Oste Bremerhaven 3 30'N 0 5 10 20 30 40 km 8 30'E 9 0'E 9 30'E Gelbstoffe (cdom) Absorption beim 420 nm Eintrag von Flüssen gut zu erkennen 22
Kalibration der Proxyformeln anhand Spektrometer und in situ Daten (Trave) Gelbstoff: cdom-400 nm In-situ Model Formel Kalibration Wasserparameter Ziel: Mikroplastik Karte 23
Kalibration der Proxyformeln anhand Spektrometer und in situ Daten (Trave) Gelbstoff: cdom-400 nm Literatur-Formel r²: 0.86 RMSE: 8.34 Bias: 6.91 measured 1 2 3 4 5 Regression One-to-one Modellierte Werte (derived) vs in situ Daten (measured) 0.6 0.7 0.8 0.9 1.0 1.1 derived Frequency 0 1 2 3 4 5 6 Log Error (in situ/modelliert) Ausgewogenhiet oder Bias der Daten 0.5 1.0 1.5 log(measured/derived) 24
Kalibration der Proxyformeln anhand Spektrometer und in situ Daten (Trave) Gelbstoff: cdom-400 nm Literatur-Formel r²: 0.86 RMSE: 8.34 Bias: 6.91 Kalibrierte Formel r²: 0.94 RMSE: 0.07 Bias: 0.06 measured 1 2 3 4 5 Regression One-to-one measured 0.0 0.2 0.4 0.6 Regression One-to-one Modellierte Werte (derived) vs in situ Daten (measured) 0.6 0.7 0.8 0.9 1.0 1.1 0.0 0.2 0.4 0.6 derived derived Frequency 0 1 2 3 4 5 6 Frequency 0 1 2 3 4 5 6 Log Error (in situ/modelliert) Ausgewogenheit (Bias) der Daten 0.5 1.0 1.5-0.6-0.4-0.2 0.0 0.2 0.4 log(measured/derived) log(measured/derived) 25
Projektziel: Monitoring Meere Spektral Vorläufige Überblick Indikatoren n = 9656, Proben von Mai 1972 Nov. 2013 Mikroplastik Konzentration (log10 Teile/km2) 0 Datensätze Cózar et al. (2014) Eriksen et al. (2014) Goldstein et al. (2013) 7. GmbH Januar 2015 RSS Remote Sensing Solutions 3 3.5 4 5 6 7 Law & Morét-Ferguson (2014) Law et al. (2010) 26
Projektziel: Monitoring Meere Spektral Vorläufige Überblick Indikatoren Great Pacific Garbage Patch n = 9656, Proben von Mai 1972 Nov. 2013 Mikroplastik Konzentration (log10 Teile/km2) 0 Datensätze Cózar et al. (2014) Eriksen et al. (2014) Goldstein et al. (2013) 7. GmbH Januar 2015 RSS Remote Sensing Solutions 3 3.5 4 5 6 7 Law & Morét-Ferguson (2014) Law et al. (2010) 27
Ocean Convergence Fronts 50 N SA Kanada SMOS Daten (CP34-BEC) 9-tägige Komposite-Bild Kerndatum 14.09.2012 SA Subarctic domain USA TZ Transition zone TZ ST Subtropical domain 30 N Salinität 37 36 35 34 32 ppt ST Salinität Konturen 33.8-34.0 ppt Subarctic Front 160 W 140 W 120 W 34.5-34.7 ppt Subtropical Front Mikroplastik Konzentration (log 10 Teile/km 2 ) 0 3 3.5 4 5 6 7 28
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 höhere 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 29
Fazit und Ausblicke Entwicklungsbedarf? Bessere Abdeckung in dem SWIR Bereich Hyperspektrale Satelliten wir freuen uns sehr auf EnMAP Hindernisse für eine vertiefte operationelle Nutzung von Fernerkundungsdaten? Fehlendes Grundlagenwissen, in Forschung investieren! Unterstützung des Bundes bei der Einführung der operationellen Nutzung von Copernicus? Investieren in -Entwicklung Link zwischen in situ und FE muss verstärkt werden Weiterentwicklung der Copernicus-Dienste? IR Wassersignale sind sehr niedrig, besonders in SWIR, Bedarf an sensiblere Sensoren und besser spektrale Auslösung 30
Danke Gefördert von 31
Referenzen Baban, S. M. J. (1993) Int. J. Remote Sens. 14, 1247 1267. Cole, M. et al. (2013) Environ. Sci. Technol. 47, 6646 55. Cole, M. et al. (2015) Environ. Sci. Technol. Cózar, A. et al. (2014) Proc. Natl. Acad. Sci. USA 17 19. Dall Olmo, G. & Gitelson, A. A. (2006) Appl. Opt. 45, 3577. 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), e111913. Gitelson, A. et al. (1985) Remote Sens. 6, 28 36. Goldstein, M. et al. (2013) PloS one 8(11), e80020. Gons, H. J. J. (2002) Plankton Res. 24, 947 951. Gons, H. J. (1999) Environ. Sci. Technol. 33, 1127 1132. Howell et al. (2012) Mar. Pollut. Bull. 65, 16-22. 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, 345 370. Kubota, M. (1994) J. Phys. Oceanogr. 24, 1059-1064. Kutser, T. et al. (2005) Remote Sens. 94, 535 540. Law, K. L. et al. (2010) Science 329(5596 ), 1185 1188. Law, K. & Morét-Ferguson, S. (2014) Environ. Sci. Technol. 48, 4732 4738. Morishige, C. et al. (2007) Mar. Pollut. Bull. 54, 1162 9. O Reilly, J. E. et al. (1998) J. Geophys. Res. 103, 24937. Pichel, W. G. et al. (2007) Mar. Pollut. Bull. 54, 1207 11. Pichel et al. (2012) Mar. Pollut. Bull 65, 28-41. Schwarz, J. (2005) Int. J. Remote Sens. 26, 283 293. Thompson, R. C. et al. (2009) Philos. Trans. R. Soc. Lond. B. Biol. Sci. 364, 1973 6.