Diese Arbeit untersucht die Anwendung von Algorithmen des maschinellen Lernens zur Erkennung von “Feenkreisen”, kreisförmigen Vertiefungen, die mit natürlichen Wasserstoffemissionen in Zusammenhang stehen, anhand von Satellitenbildern. Da Wasserstoff zu einer wichtigen alternativen Energiequelle wird, ist die Identifizierung natürlicher Wasserstoffemissionsorte für die Erforschung nachhaltiger Energie von entscheidender Bedeutung. “Feenkreise”, die in vielen Regionen der Welt zu finden sind, dienen als Indikatoren für wahrscheinlich wasserstoffreiche Gebiete. Diese Forschung verwendete Objekterkennungstechniken in ArcGIS Pro und Custom Vision, um eine Methode zur automatischen Erkennung dieser Erscheinungen zu entwickeln. Die Ergebnisse der Studie zeigten, dass Custom Vision vielversprechende Ergebnisse lieferte, insbesondere in Bezug auf die Trefferquote, die während der drei durchgeführten Iterationen hoch war, was darauf hindeutet, dass die meisten potenziellen “Feenkreise” erkannt wurden. Die Präzision blieb jedoch eine Herausforderung, was zu einer erheblichen Anzahl falscher Positivergebnisse führte. Andererseits waren die Objekterkennungsversuche in ArcGIS Pro weniger erfolgreich. Die mit der Single Shot Detector (SSD)-Architektur trainierten Modelle lieferten keine genauen Ergebnisse, was zu durchschnittlichen Präzisionswerten von Null während der drei Deep-Learning-Versuche führte. Zu den Problemen gehörten die schlechte Auflösung der nichtkommerziellen Satellitenbilder, das sehr heterogene Gelände mit vielen anthropogenen Merkmalen und Schwierigkeiten beim Erkennen kleinerer (weniger als 100 Meter) oder teilweise verdeckter Kreise.
Eine Oberflächenrauheitsanalyse unter Verwendung gemittelter SAR-Rückstreu- und Rückstreuänderungsbilder hob Veränderungen in den Vegetationsmustern um und innerhalb der kreisförmigen Strukturen hervor, bei denen es sich vermutlich um “Feenkreise” handelte. Gemittelte Rückstreubilder, gekoppelt mit logarithmischen Karten, zeigten, dass einige der potenziellen “Feenkreise” dynamische Vegetationsmuster aufwiesen, die von der herkömmlichen Vorstellung einer abnehmenden Vegetation im Zentrum der Formationen und eines zunehmenden Wachstums an den Rändern abweichen können. Historische Wayback-Bilder wurden verwendet, um die Vegetationsänderungen zu verstehen. Die Studie nutzte auch Spektralindizes wie den Normalized Difference Built-up Index (NDBI) und den Soil-Adjusted Vegetation Index (SAVI), um einen möglichen Zusammenhang zwischen den Schwankungen der Indexwerte und dem stark variablen Wasserstoffgehalt des Bodens zu analysieren, der typischerweise in “Feenkreisen” beobachtet wird. Trotz der Herausforderungen zeigt diese Forschung die Möglichkeiten des maschinellen Lernens und der Fernerkundungstechnologien bei der Unterstützung der natürlichen Wasserstoffsuche auf, die in zukünftigen Studien weiter untersucht werden können.