🔬 physics

A Distributed Acoustic Sensing Dataset for Vessel Detection and Localization in Submarine Cable Protection

Dit artikel introduceert de Marlinks-NS dataset, een uitgebreide collectie van verwerkte Distributed Acoustic Sensing (DAS) metingen en AIS-afgeleide scheepsgegevens uit de Noordzee, ontworpen om reproduceel machine learning-onderzoek te ondersteunen voor het detecteren en lokaliseren van schepen ter bescherming van onderzeese kabels.

Oorspronkelijke auteurs: Erick Eduardo Ramirez-Torres, Javier Macias-Guarasa, Daniel Pizarro, Javier Tejedor, Sira Elena Palazuelos-Cagigas, Pedro J. Vidal-Moreno, María R. Fernández-Ruiz, Sonia Martin-Lopez, Miguel Gonzalez-

Gepubliceerd 2026-07-31

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Erick Eduardo Ramirez-Torres, Javier Macias-Guarasa, Daniel Pizarro, Javier Tejedor, Sira Elena Palazuelos-Cagigas, Pedro J. Vidal-Moreno, María R. Fernández-Ruiz, Sonia Martin-Lopez, Miguel Gonzalez-Herraez, Roel Vanthillo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de oceaanbodem voor als een gigantische, stille bibliotheek waar de belangrijkste boeken van onze moderne wereld worden bewaard. Dit zijn geen papieren boeken, maar dikke, glazen kabels die in het zand begraven liggen en het internet, telefoongesprekken en elektriciteit vervoeren die onze steden draaiende houden. Lange tijd was het in de gaten houden van deze kabels alsof je een film probeerde te kijken in het donker; we konden pas problemen zien als het te laat was, meestal nadat het anker van een schip al een lijn had gegrepen. Maar wetenschappers hebben een slimme truc gevonden: ze kunnen de glasvezelkabels zelf veranderen in supergevoelige oren. Door laserpulsen door de kabel te sturen, kunnen ze de trillingen van het water en de oceaanbodem "horen". Deze technologie, genaamd Distributed Acoustic Sensing (DAS), is alsof je de hele kabel verandert in een microfoon die de oceaan van de ene naar de andere kant kan beluisteren, dag en nacht, ongeacht stormen of duisternis. Het is een gamechanger omdat het ons in staat stelt een schip te horen aankomen lang voordat het dichtbij genoeg is om schade te veroorzaken, wat fungeert als een hightech beveiligingssysteem voor de diepe zee.

Stel je nu voor dat je deze geweldige "luisterkabel" hebt, maar je probeert een computer te leren begrijpen wat hij hoort. Het probleem is dat computers als enthousiaste puppy's zijn; ze hebben duizenden voorbeelden nodig om het verschil te leren tussen een vriendelijke blaf en een angstwekkend gegrom. Als je ze slechts een paar voorbeelden laat zien, raken ze in de war. Tot nu toe hadden wetenschappers het moeilijk om genoeg praktijkvoorbeelden te vinden van schepen die langs onderzeese kabels voeren om deze computers te trainen. De meeste data die ze hadden, was ofwel te klein, of te rommelig, of miste de "antwoorden" (zoals precies waar het schip was) om te controleren of de computer correct leerde.

Dit artikel introduceert een gloednieuwe, enorme "trainingsgym" voor deze computerbreinen. De onderzoekers, werkend met een team in België en Spanje, namen tien dagen aan continue luisterdata van een echte onderzeese kabel in de Noordzee en veranderden dit in een gigantische dataset genaamd "Marlinks-NS". Ze hebben niet alleen ruwe ruis op tafel gegooid; ze hebben het opgeschoond, georganiseerd en elk geluid dat de kabel hoorde gekoppeld aan informatie over de schepen die er daadwerkelijk waren (afkomstig uit een mondiaal scheepsvervolgingssysteem). De dataset bevat bijna 75.000 specifieke geluidssnapshots, die elk beschrijven wat de kabel op een specifiek moment hoorde en exact hoe ver het dichtstbijzijnde schip verwijderd was.

Het artikel laat zien dat deze dataset klaar is voor iedereen die betere scheepsdetecterende AI wil bouwen. De onderzoekers testten hun eigen computermodellen op deze data en ontdekten dat de AI er succesvol in slaagde om twee zeer belangrijke taken uit te voeren: eerst om "Alert!" te roepen wanneer een schip binnen 1.000 meter van de kabel komt, en ten tweede om te raden hoe ver dat schip precies verwijderd is. Ze ontdekten dat hoe meer "oren" (sensoren) ze samen gebruikten, hoe beter de computer zijn taak uitvoerde. Wanneer ze bijvoorbeeld alle 250 sensoren gebruikten over een traject van 2,5 kilometer langs de kabel, kon de computer een nabijgelegen schip ongeveer 89% van de tijd correct identificeren en de afstand tot binnen ongeveer 171 meter inschatten voor schepen die dichtbij waren.

Cruciaal is dat het artikel niet alleen zegt "we hebben data"; het bewijst dat de data divers en realistisch is. Ze controleerden het weer, de golven en de typen schepen tijdens die tien dagen en stelden vast dat de omstandigheden sterk varieerden, wat betekent dat de computer zou leren in een echte, rommelige oceaan, en niet in een perfect laboratorium. Ze zorgden er ook voor dat de dagen die ze voor testen gebruikten verschilden van de dagen die ze voor training gebruikten, zodat de computer de antwoorden niet simpelweg kon memoriseren. Door deze dataset publiekelijk vrij te geven, overhandigen de auteurs de sleutels aan de wetenschappelijke gemeenschap, waardoor iedereen zijn eigen systemen kan bouwen, testen en verbeteren om deze vitale onderzeese kabels te beschermen tegen accidentele schade of sabotage. Het is een toolkit voor het bouwen van een veiligere, meer beveiligde onderwaterwereld.

Technische Samenvatting: Een Distributed Acoustic Sensing Dataset voor Scheepsdetectie en Lokalisatie bij de Bescherming van Onderzeese Kabels

Probleemstelling
Onderzeese telecommunicatie- en stroomkabels zijn kritieke mondiale infrastructuur, maar blijven zeer kwetsbaar voor accidentele schade en sabotage, zoals blijkt uit recente incidenten in de Oostzee. Hoewel Distributed Acoustic Sensing (DAS)-technologie een veelbelovende oplossing biedt voor continue, realtime monitoring van onderwaterakoestische activiteit met behulp van bestaande glasvezelinfrastructuur, wordt de ontwikkeling van datagestuurde Artificial Intelligence/Machine Learning (AI/ML) algoritmen voor scheepsdetectie gehinderd door een tekort aan publiekelijk beschikbare, goed geannoteerde datasets. Bestaande DAS-datasets zijn vaak beperkt in omvang, missen de juiste labeling voor scheepsdetectie, of zijn gericht op seismische en oceanische dynamiek in plaats van kabelbescherming. Bovendien richten bestaande scheepsdetectie-datasets (bijv. DAShip) zich vaak op het detecteren van schepen direct boven de kabel via kielzogsignaturen, wat minder geschikt is voor scenario's met vroege waarschuwing waarbij detectie vereist is voordat een schip de kabel bereikt.

Methodologie
De auteurs presenteren de Marlinks-NS DAS dataset, samengesteld uit een tiendaagse continue opnamecampagne (16–25 juni 2023) uitgevoerd op een 28 km lange begraven onderzeese glasvezelkabel voor de kust van Zeebrugge, België, in de Noordzee. De data-acquisitie en verwerkingspijplijn omvatten de volgende stappen:

Data-acquisitie: Een fasegevoelig Optical Time Domain Reflectometry ( $\phi$ -OTDR) systeem (Alcatel OptoDAS) interrogeerde de vezel met een gauge length van 10,21 m en een bemonsteringsfrequentie van 3.125 Hz.
Preprocessing: Ruwe differentiële fase-snelheidssignalen werden omgezet naar rek (strain). Dit omvatte ruwe signaalschaling, impulsonderdrukking (verwijderen van geïsoleerde pieken), temporele fase-unwrapping en integratie om de rek-signalen te herstellen.
Metadata Synchronisatie: Door de kabeloperator verstrekte Automatic Identification System (AIS) data werd verwerkt om scheepstrajecten te genereren. Vanwege lage update-frequenties (88% van de schepen gerapporteerd elke 1–3 minuten) werd lineaire interpolatie toegepast op een frequentie van 1 Hz om continue scheepsposities te schatten. Deze posities werden gesynchroniseerd met de DAS-data om de minimale 3D Euclidische afstand tussen elk schip en de DAS-meetpunten te berekenen.
Feature Extractie: De rek-signalen werden gesegmenteerd in niet-overlappende vensters van 10 seconden. Spectrale energie-features werden geëxtraheerd uit 250 ruimtelijke kanalen binnen een frequentiebereik van 4 Hz tot 100 Hz. Om omgevingsruis (temperatuur, golven) en instrumentinterferentie (50/100 Hz harmonischen) te mitigeren, werden specifieke frequentiebanden uitgesloten. De uiteindelijke feature-representatie bestaat uit 100 logaritmisch verdeelde band-energie-features per kanaal.
Taakdefinitie: De dataset ondersteunt twee ML-taken:
- Scheepsdetectie: Een binaire classificatietaak om te bepalen of een schip zich binnen een specifieke afstandsdrempel bevindt (bijv. 1.000 m van de kabel).
- Afstandschatting tussen schip en kabel: Een regressietaak om de exacte afstand tot het dichtstbijzijnde schip te voorspellen.

Belangrijkste Bijdragen

Dataset Release: De release van een grootschalige, machine-learning-klare dataset bestaande uit 74.771 gelabelde datainstantiaties van een 2.554 m lang kabelsegment. Elke instantie bevat spectrale energie-features van 250 ruimtelijke kanalen en gesynchroniseerde scheepsmetadata (afstand, type, lengte, breedte).
Reproduceerbaarheid: De auteurs bieden de data aan in HDF5-formaat, samen met documentatie, metadata en Python-code voor dataverwerking en cross-validatie op Zenodo en GitHub.
Realistische Condities: De dataset legt realistische maritieme condities vast, inclus kind van variërende scheepvaartpatronen en diverse omgevingsfactoren (golfhoogte, windsnelheid, temperatuur, stromingen) gedurende de tiendaagse opnameperiode.
Validatieprotocol: Een rigoureuze dagelijkse 10-voudige cross-validatiestrategie wordt voorgesteld om te garanderen dat de trainings- en testsets in de tijd van elkaar gescheiden zijn, wat data-lekkage door herhaalde passage van schepen voorkomt.

Resultaten
Het artikel presenteert basistechnische validatieresultaten met behulp van een XGBoost-algoritme om het nut van de dataset aan te tonen:

Scheepsdetectie: Met gebruik van 250 kanalen en een afstandsdrempel van 1.000 m bereikte het model een globale F1-score van 89,43% (Klasse 0: 92,47%, Klasse 1: 83,10%) en een nauwkeurigheid van 89,58%.
Afstandschatting: Het model behaalde een globale Mean Absolute Error (MAE) van 829,90 m. Voor de kritieke nabijheidsrange (schepen < 1.000 m) verbeterde de MAE naar 171,01 m.
Prestatietrends: De resultaten gaven aan dat de prestaties consistent verbeterden naarmate het aantal gebruikte ruimtelijke kanalen voor middeling toenam, wat de ruimtelijke redundantie in de DAS-data valideert.

Significantie en Claims
Het artikel claimt dat de Marlinks-NS dataset een kritiek gat opvult in de beschikbaarheid van geannoteerde DAS-data specifiek voor de bescherming van onderzeese kabels. Door twee onderscheidende ML-taken te definiëren (detectie en lokalisatie) en een dataset te bieden die afkomstig is van realistische, continue monitoring, beogen de auteurs:

Transparantie en reproduceerbaarheid in AI/ML-gebaseerd DAS-onderzoek te bevorderen.
De wetenschappelijke gemeenschap in staat te stellen om algoritmen voor scheepsdetectie en -lokalisatie te benchmarken onder realistische maritieme condities.
De ontwikkeling van vroege waarschuwingssystemen te ondersteunen die schepen kunnen detecteren voordat ze de kabel bereiken, waarmee de beperkingen van detectie op basis van kielzog worden overstegen.

De auteurs stellen expliciet dat de dataset bedoeld is als een benchmark-bron en dat de basistesten dienen als een applicatiegerichte validatie van de informatie die in de verwerkte data behouden is gebleven, in plaats van een uitputtend vergelijk van alle mogelijke modelleringsbenaderingen. Zij erkennen beperkingen, zoals de afhankelijkheid van geïnterpoleerde AIS-data voor de grondwaarheid (ground truth) en de uitsluiting van ruwe DAS-opnames vanwege vertrouwelijkheid, maar benadrukken dat de vrijgegeven features en labels voldoende zijn voor het ontwikkelen en evalueren van scheepsmonitoringsmethoden.

Meer zoals dit