MASCOT prosjektet bruker og utvikler metoder fra statistikk og robotikk for å kunne gjøre effektiv utforskning av havet. Spesielt ser vi på frontsystemer; elveutløp der ferskvann renner ut i fjorden eller områder der fjordvannet møter havet. Disse frontene har vist seg viktige innen for eksempel biologisk oceanografi. Ved effektiv kartlegging av slike områder kan man bidra til økt beslutningstøtte for fiskeri, havbruk og miljøovervåking av havet. Konkret har vi så langt gjort operasjoner i Trondheimsfjorden og i havet utenfor Porto, Portugal.
I MASCOT prosjektet bruker vi informasjon fra satellitter eller numeriske havmodeller til å lage a priori modeller for variabler av interesse, som temperatur, saltinnhold, intensitet av plankton, osv. En slik a priori modell er en statistisk representasjon som fanger opp viktige trender, usikkerheter og korrelasjoner i rom og tid. Det er viktig at modellen lett lar seg skalere og oppdatere med ny informasjon, da dette muliggjør datainnsamling i reell tid på en undervannsfarkost. Vi bruker videre disse typer modeller i algoritmer fra kunstig intelligens til å samle inn data på steder og tider som er viktige utfra et utforskningsmål og som da sannsynligvis har stor effekt på modellen.
Website: https://wiki.math.ntnu.no/mascot
The project aims to build the scientific foundations of statistical sampling for oceanographic applications by formulating novel algorithmic methods in statistics and blending it with ocean model
predictions, to embed and test on autonomous vehicles. By sampling, we refer to the design of
experiments in spatio-temporal domains, enabling autonomous platforms to decide on an optimal
strategy of where and when to gather data, in a cost-effective manner.
Renowned oceanographer Walter Munk called the 20th century, the century
of undersampling, something particularly
relevant in ocean-facing Norway with its complex fjord systems
intermixed with coastal skerries.
To improve the state of sampling modern tools and methods, including
the use of autonomous platforms, oceanographic models and satellite
remote sensing at various spatio-temporal scales are
critical. However, without adequate understanding of the theoretical
underpinnings of how, when and where to sample, these
tools and methods are insufficient in our vast and harsh oceans.
The focus of this proposal is in designing, implementing and
testing algorithms for efficient spatio-temporal sampling of the coastal oceans,
with a broader impact to commingling methods in spatial and computational statistics,
with oceanography, with novel methods in automatic control including
artificial intelligence for adaptive sampling. Deliverables
include testing of the new algorithms in field experiments in
Norwegian waters with existing robotic assets.