REDNET-ML: A Multi-Sensor Machine Learning Pipeline for Harmful Algal Bloom Risk Detection Along the Omani Coast

Dit paper introduceert REDNET-ML, een reproduceerbaar machine learning-pipeline dat multi-sensor satellietdata en objectdetectie combineert om het risico op schadelijke algenbloei langs de Omani-kust nauwkeurig te detecteren en te visualiseren.

De kern

REDNET-ML: De "Slimme Wacht" voor de Oerwouden van de Oman-kust

Stel je voor dat de kustlijn van Oman een enorm, levend aquarium is. Maar soms, heel plotseling, groeien er giftige algen (HAB's) in dit water. Het is als een onzichtbare, groene ziekte die het water verontreinigt. Dit is gevaarlijk: het kan vissen doden, de stranden verpesten en zelfs de waterzuiveringsfabrieken (die drinkwater maken) en koelsystemen van fabrieken verstoren.

Het probleem? Deze bloeiende algen zijn lastig te zien. Ze komen en gaan, en we hebben vaak te weinig gegevens om te weten waar en wanneer ze precies gaan slaan.

REDNET-ML is een slim computerprogramma dat is ontworpen om dit probleem op te lossen. Het werkt als een superwacht die 24/7 uitkijkt over de kust. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Drie Ogen van de Wachter

Het programma kijkt niet met één camera, maar combineert drie verschillende soorten "ogen" om een compleet beeld te krijgen:

• Oog 1: De Hoge Resolutie Camera (Sentinel-2). Dit is als een drone die heel dichtbij vliegt. Hij ziet de kleine details: de textuur van het water, de kleurveranderingen en of er iets vreemds drijft. Hij geeft ons scherpe foto's van de kust.
• Oog 2: De Grote Weerkaart (MODIS). Dit is een satelliet die hoog in de lucht vliegt en het hele gebied overziet. Hij ziet de grote trends: hoe warm het water is en hoe "groen" (rijk aan algen) het water in het algemeen is.
• Oog 3: De Slimme Detecteur (Object Detection). Dit is een computer die is getraind om op foto's te zoeken naar patronen die lijken op algenbloei. Het zegt niet direct "dit is gevaarlijk", maar geeft een waarschuwing: "Hé, hier zie ik een vorm die op een bloei lijkt."

2. De Chef-Kok in de Keuken (De Beslissingsmachine)

Nu hebben we drie verschillende soorten informatie. Als we die zomaar door elkaar gooien, wordt het een rommel. REDNET-ML gebruikt een slimme "Chef-Kok" (een algoritme genaamd CatBoost).

De Chef-Kok doet het volgende:

• Hij neemt de scherpe foto's van de drone.
• Hij neemt de grote temperatuur- en kleurkaarten van de hoogvliegende satelliet.
• Hij neemt de waarschuwingen van de slimme detecteur.
• Hij kookt deze ingrediënten samen tot één risicovakje: een getal tussen 0 en 1 dat aangeeft hoe groot de kans is op gevaar.

3. De Twee Alarmknoppen (WATCH en ACTION)

Het systeem is niet bang om te waarschuwen, maar het wil ook geen paniek zaaien. Daarom heeft het twee knoppen:

• Knop 1: WATCH (Let op). Als het risicovakje een beetje hoog is, gaat dit alarm af. De chef zegt: "Kijk even goed, er is iets aan de hand, maar we weten het nog niet zeker." Dit zorgt ervoor dat we niets missen.
• Knop 2: ACTION (Actie). Als het risicovakje heel hoog is, gaat dit alarm af. De chef zegt: "Dit is gevaarlijk! Sluit de inlaten van de fabriek of waarschuw de vissers."

4. Waarom is dit zo slim? (De "Niet-Leaky" Regel)

In het verleden maakten computerprogramma's vaak de fout dat ze "leerden" van de testvragen voordat ze de examens hadden gemaakt. Dit heet data-leakage.

• Voorbeeld: Als je een student leert om een examen te maken door de antwoorden van de testvragen te laten zien, haalt hij een 10, maar faalt hij in het echte leven.

REDNET-ML doet dit niet. Het wordt getraind op data uit het verleden en getest op data uit de toekomst (of van andere plekken die het nog niet heeft gezien). Het is alsof je de wachter traint op oude stormen, zodat hij echt goed is in het voorspellen van nieuwe stormen.

5. Wat levert het op?

Het resultaat is een digitale kaart die managers en experts kunnen gebruiken. Ze kunnen op een knop klikken bij een specifieke fabriek of plant en zien:

• "Is het water veilig?"
• "Zijn er algen in de buurt?"
• "Moeten we nu actie ondernemen?"

Kortom: REDNET-ML is als een onzichtbare, super-snelle wachter die de kust van Oman in de gaten houdt. Hij combineert foto's, temperatuur en slimme patronen om ons te waarschuwen voordat de giftige algen echt schade aanrichten. Het is een veiligheidsnet voor de natuur, de visserij en ons drinkwater.

Technische samenvatting

Titel: REDNET-ML: Een Multi-Sensor Machine Learning-pijplijn voor de Detectie van Risico's op Schadelijke Algenbloei langs de Omaanse Kust

1. Probleemstelling

Schadelijke algenbloei (Harmful Algal Blooms, HABs) vormen een ernstige bedreiging voor kustinfrastructuur, visserij en watervoorzieningssystemen die afhankelijk zijn van ontzilting (zoals in Oman). Deze biologische gebeurtenissen veranderen de waterkwaliteit, verbruiken zuurstof en kunnen toxines introduceren.
De uitdagingen bij het monitoren van HABs met satellietdata zijn:

• Schaars en vertraagd waarheidsgetrouwheid (Ground Truth): Labels zijn zeldzaam en vaak met vertraging beschikbaar.
• Ruis en resolutie: Labels zijn soms onnauwkeurig of alleen beschikbaar op een grof tijdsbestek.
• Data-lekkage (Leakage): Traditionele train/test-verdelingen leiden vaak tot een te optimistische prestatie-inschatting omdat tijds- en ruimtelijke afhankelijkheden (bijv. dezelfde satellietbeelden in zowel train- als testset) niet worden gerespecteerd.

2. Methodologie

REDNET-ML is een reproduceerbare, end-to-end machine learning-pijplijn die een gecombineerde aanpak hanteert om een gekalibreerde risicokans voor HABs te genereren per locatie (plant) en tijd.

A. Data-integratie en Feature Engineering
Het systeem fuseert drie soorten databronnen:

1. Sentinel-2 (Optisch): Hoogresolutie "chips" (beeldfragmenten) worden verwerkt tot spectrale indices (zoals NDWI en Floating Algae Index - FAI) en textuursignalen.
2. MODIS Level-3 (Oceanografie): Grootschalige data over oceanische kleur (chlorofyl-a) en thermische indicatoren (zeewatertemperatuur - SST).
3. Beelddetectie (Evidence): Objectdetectoren (Faster R-CNN en SSD) worden getraind om bloei-achtige patronen te herkennen. In plaats van als eindclassificator te dienen, fungeren deze als "evidence generators" die samenvattende scores (bijv. maximale betrouwbaarheid, aantal detecties) leveren.

B. Label-strategie en Dataset Constructie
Om het probleem van schaarse labels op te lossen, wordt een hybride labelstrategie gebruikt:

• Vertrouwde labels: Een conservatieve subset van handmatig gecontroleerde data.
• Gedolven (weak) labels: Kandidaten die worden gegenereerd via heuristieken (bijv. drempelwaarden voor oceanische kleur), die worden gefilterd om valse positieven te minimaliseren.
• Niet-lekkende splitsing: Het dataset-ontwerp gebruikt strikte "group-safe" en tijdsgebonden splitsingen. Chips van dezelfde satellietovergang (overpass) komen nooit in zowel de train- als testset voor, wat data-lekkage voorkomt.

C. Modelarchitectuur en Beslissingsfusie

• Fusiemodel: CatBoost wordt gebruikt als beslissingsfusiemodel vanwege zijn sterke prestaties op tabulaire data en het vermogen om niet-lineaire interacties stabiel te hanteren.
• Invoer: De modelinput bestaat uit detector-scores, Sentinel-indices, MODIS-predictoren en seizoensgebonden encoding (sin/cos van de maand).
• Operationele Logica: Het systeem levert een gekalibreerde waarschijnlijkheid ($\hat{p}_t$) die wordt omgezet in twee operationele statussen:
  • WATCH: Kandidaten voor verder onderzoek (hoge gevoeligheid).
  • ACTION: Escalatie bij hoge zekerheid.
    De drempelwaarden worden gekalibreerd op basis van historische meldingsfrequenties en PR-curves (Precision-Recall).

3. Belangrijkste Bijdragen

• Multi-sensor Fusie: Een innovatieve combinatie van hoogresolutie optische data, grootschalige oceanografische data en deep learning-detectiescores.
• Niet-lekkende Evaluatie: Een strikt protocol voor cross-validatie dat tijds- en ruimtelijke afhankelijkheden respecteert, wat resulteert in realistischere prestatie-inschattingen.
• Interpretabiliteit en Transparantie: Het systeem genereert uitgebreide artefacten (SHAP-waarden, feature importance, kalibratiecurven) die het model inzichtelijk maken voor operationeel gebruik.
• Operationele Implementatie: Een volledige pijplijn inclusief een "Risk-field viewer" voor interactieve exploratie van risico's per locatie en tijd.

4. Resultaten

Het model is geëvalueerd met een strikt 5-voudige cross-validatie (groep-veilig):

• Prestatiemetrics:
  • Gemiddelde AUROC: 0.842 (±0.019).
  • Gemiddelde AUPRC (Primary Metric voor onbalans): 0.731 (±0.029).
  • Bij een operationele drempel (minimale recall ≥ 0.60): Precision ≈ 0.682 en Recall ≈ 0.605.
• Detector Benchmarking:
  • Faster R-CNN (ResNet50) en SSD MobileNet presteerden het beste als complementaire bewijsgeneratoren (Regionale Recall > 0.94).
  • YOLOv8 werd geëvalueerd maar uitgesloten omdat het geen significante verbetering bood ten opzichte van de complexiteit.
• Driftanalyse (2025):
  • Er is een merkbare distributiedrift vastgesteld tussen de trainingsdata (2017-2024) en 2025-data (hoge PSI en KS-afstanden).
  • Dit impliceert dat vaste drempelwaarden niet altijd stabiel blijven; daarom wordt een robuuste "WATCH"-politiek aanbevolen voor kandidaat-detecties, terwijl "ACTION" periodieke herkalibratie vereist.

5. Betekenis en Conclusie

REDNET-ML bewijst dat een zorgvuldig ontworpen, multi-sensor fusie-aanpak een operationeel bruikbaar HAB-risicosignaal kan produceren onder realistische beperkingen (ruis, schaarse data, tijdsafhankelijkheid).

• Sterke punten: De focus op niet-lekkende evaluatie, modulaire implementatie en transparante artefacten maakt het systeem betrouwbaar en reproduceerbaar.
• Beperkingen: De prestaties worden beperkt door de schaarste aan betrouwbare labels en de tijdsdynamiek van de data.
• Toekomstperspectief: Het systeem biedt een solide basis voor operationeel monitoring in de Golf van Oman, waarbij de "WATCH"-status dient als robuust filter en de "ACTION"-status als een beslissing die periodiek moet worden aangepast aan veranderende omstandigheden.

Het project is beschikbaar als een reproduceerbare repository met scripts en notebooks, wat de weg vrijmaakt voor verdere onderzoek en operationele uitrol in vergelijkbare kustgebieden.