Integrated Environmental Monitoring; taking environmental data in to decision making processes

Miljøovervåking relater til offshore petroleumsvirksomhet har tradisjonelt vært utført i form av feltkampanjer hvor resultatene typisk rapporteres 9 måneder etter innsamling. Typiske parameter som måles er fysiske parameter som kornstørrelse og totalt organisk material (TOM), kjemiske parameter som tungmetaller og hydrokarboner og biologiske parameter som antall arter og artsdiversitet. Denne tilnærmingen er god for å rapportere status og trender for om arealet som er kjemisk forurenset eller arealet med påvirket fauna endres over tid. For å kunne linke miljøovervåking til industriene daglige operasjoner er en tilnærming med slik tidsforsinkelse i leveransen av resultater derimot ikke god nok. Hvis man utvider definisjonen av miljøovervåking til også å inkludere lekkasje- og utslippskontroll, er det et behov for tilgang til sanntidsdata og mer automatiske analyser av rådata til identifisering, kartlegging og overvåking av objekt av interesse (OOI). Fokuset i PhD-prosjektet er på en overordnet infrastruktur som dekker alt fra valg av måleparametere, type sensorplattformer som bør brukes (og eventuelt kombineres) og datatolking, alt nødvendig for å gi beslutningstakere data på et tilstrekkelig format til riktig tid. Både industri og akademia har problemer med å optimalisere bruken og mulighetene til økt kunnskap den store mengden sanntids- eller kontinuerlig målte data gir. I følge Norges forskningsråd (2012) er en av de største utfordringene innen forskningen på området klima-, miljø- og hav behovet for økt bruk, tilgang og harmonisering av data. For å oppnå en mer optimal bruk av miljødata kreves en kontinuerlig utvikling av og investeringer i nye analyseverktøy. Videre er det behov for at denne økte muligheten til å forstå naturlige prosesser og mulig påvirkning av miljøet blir presentert for ulike beslutningstakere på riktig nivå og til rett tid.

The project consists of the four following parts: Part 1 Automatic image analysis and machine learning Main Aim: For proper analysis and use of pictures, there is a need for a system to help humans to pinpoint/select issues of interest to be further inv estigated. This could be 1) specific objects of interest, e.g. coverage of corals or leaks of hydrocarbons or 2) changes in patterns of vast amount of data on one geographical location e.g. gradually present or absent of specific species. Part 2 Combini ng multi sensor data for optimal benefit of information Main Aim: is to use one or several of the identified case studies in the IEM project and the AUR-LAB cruises to identify which key-environmental variables and parameters that should be measured in g iven situations (1-3 described below), and use multivariate analysis to interpret the results with respect to the source for observed change and the co-variance between variables and parameters. Part 3 How to use processed data into a decision making pr ocesses? Main Aim: The focus in this part will be on finding the optimal way of presenting the data types, or a set of these, described in part 1 and 2. Furthermore, as basis for environmental management the aim is to identify what kind of data different decision makers needs and if some of the data need to be shared between the different decision makers. Part 4 Piloting process Main Aim: The focus in this part is to apply Part 1-3 on an actual offshore case. This part will also be a validation of the s olutions chosen in part 1-3. The pilot will be specified by the IEM project. I addition to reflecting key issues identified as success factors in the IEM project, it is also believed that the different parts will give valid knowledge and experiences on how to optimise and use environmental data in management in general.