Nazadnje posodobljeno 4. aprila 2024 s strani Ekipa Divernet
Sistem umetne inteligence, ki so ga razvili na EPFL, javni raziskovalni univerzi v Lausanni v Švici, naj bi bil sposoben izdelati podrobne 3D zemljevide koralnih grebenov tudi iz vprašljivo osvetljenih videoposnetkov amaterskih potapljačev – v nekaj minutah.
Podatke, potrebne za sistem DeepReefMap, lahko zbira vsak, ki je opremljen s standardno potapljaško opremo in komercialno dostopno kamero.
Vse, kar morajo storiti, je, da nekaj sto metrov počasi plavajo nad grebenom in med vožnjo posnamejo videoposnetek pogleda spodaj.
Edina omejitev sta življenjska doba baterije fotoaparata in količina zraka v potapljaškem rezervoarju, pravi EPFL in trdi, da razvoj pomeni »velik preskok v globokomorskem raziskovanju in ohranjanju zmogljivosti za organizacije, kot je Transnacionalni center Rdečega morja (TRSC). )« – znanstveno raziskovalno telo, ki ga od leta 2019 gosti EPFL.
TRSC je izvajal poglobljene študije o tistih vrstah koral v Rdečem morju, ki so se izkazale za najbolj odporne na stres, povezan s podnebjem, pri čemer je njegova pobuda služila tudi kot poligon za testiranje sistema DeepReefMap.
Zemljevidi v trenutkih
DeepReefMap, razvit v Laboratoriju za okoljsko računalniško znanost in opazovanje Zemlje (ECEO) v okviru Šole za arhitekturo, gradbeništvo in okoljski inženiring (ENAC) EPFL, naj bi bil zmožen izdelati več sto metrov 3D zemljevidov grebenov v trenutku.
Ne le to, ampak lahko tudi prepozna posebne lastnosti in značilnosti koral ter jih razvrsti
»S tem novim sistemom lahko vsakdo sodeluje pri kartiranju svetovnih koralnih grebenov,« pravi koordinator projektov TRSC Samuel Gardaz. "Resnično bo spodbudil raziskave na tem področju z zmanjšanjem delovne obremenitve, količine opreme in logistike ter stroškov, povezanih z IT."
Pridobivanje 3D zemljevidov koralnih grebenov z uporabo običajnih metod se je v preteklosti izkazalo za zahtevno in drago, pravi EPFL.
Računalniško intenzivne rekonstrukcije temeljijo na več sto slikah istega dela grebena zelo omejene velikosti (nekaj deset metrov), posnetih iz številnih različnih referenčnih točk, in le specializirani potapljači so lahko pridobili takšne slike.
Ti dejavniki so močno omejili načrtovanje koralnih grebenov v delih sveta, kjer primanjkuje potrebnega tehničnega znanja, in so odvračali od spremljanja obsežnih grebenov, ki pokrivajo kilometre ali celo stotine metrov.
Niz šestih kamer
Medtem ko lahko amaterski potapljači zlahka zajamejo podatke o majhnih grebenih za DeepReefMap, so raziskovalci EPFL za pridobitev podatkov na širšem območju razvili PVC strukturo, ki drži šest kamer – tri obrnjene naprej in tri nazaj. Kamere so med seboj oddaljene 1 m in postavitev še vedno upravlja en sam potapljač.
Ta niz šestih kamer naj bi ponujal poceni možnost za lokalne potapljaške ekipe, ki delujejo z omejenimi proračuni.
Ko je posnetek naložen, naj DeepReefMap ne bi imel težav s slabo osvetlitvijo ali uklonom in jedkimi učinki, ki jih pogosto najdemo na podvodnih slikah.
"Globoke nevronske mreže se naučijo prilagajati tem pogojem, ki so neoptimalni za algoritme računalniškega vida."
Obstoječi programi za 3D-kartiranje delujejo zanesljivo le pri natančnih svetlobnih pogojih in s slikami visoke ločljivosti, po besedah profesorja ECEO Devisa Tuie pa so "tudi omejeni, ko gre za obseg".
»Pri ločljivosti, kjer je mogoče identificirati posamezne korale, so največji 3D-zemljevidi dolgi več metrov, kar zahteva ogromno časa obdelave,« pravi. "Z DeepReefMap smo omejeni samo s tem, kako dolgo lahko potapljač ostane pod vodo."
Zdravje in oblika
Raziskovalci tudi trdijo, da so terenskim biologom olajšali življenje z vključitvijo "algoritmov semantične segmentacije", ki lahko razvrstijo in kvantificirajo korale glede na dve značilnosti.
Prva značilnost je zdravje – od zelo barvite (kar kaže na dobro zdravje) do bele (ki kaže na beljenje) in prekrite z algami (označuje smrt) –, druga pa je oblika, pri čemer se uporablja mednarodno priznana lestvica za razvrščanje vrst koral, ki jih najpogosteje najdemo. v plitvih grebenih Rdečega morja (razvejani, balvani, ploščati in mehki).
»Naš cilj je bil razviti sistem, ki bi se izkazal za uporabnega za znanstvenike, ki delajo na tem področju, in bi ga bilo mogoče hitro in široko uvesti,« pravi Jonathan Sauder, ki je sodeloval pri razvoju DeepReefMap za svojo doktorsko disertacijo.
»Džibuti ima na primer 400 km obale. Naša metoda ne zahteva drage strojne opreme. Potreben je le računalnik z osnovno grafično procesorsko enoto. Semantična segmentacija in 3D rekonstrukcija potekata z enako hitrostjo kot predvajanje videa.«
Raziskovalci verjamejo, da bo z uporabo tehnologije postalo enostavno spremljati, kako se grebeni spreminjajo skozi čas, da bi identificirali prednostna ohranitvena območja.
Znanstvenikom bo dal tudi izhodišče za dodajanje drugih podatkov, kot so raznolikost in bogastvo vrst grebenov, populacijska genetika, prilagodljivi potencial koral na toplejše vode in lokalno onesnaženje grebenov. Ta proces bi lahko sčasoma vodil do ustvarjanja popolnega digitalnega dvojčka grebena.
DeepReefMap bi lahko uporabili tudi v mangrovah in drugih plitvih vodnih habitatih ter služili kot vodilo pri raziskovanju globljih morskih ekosistemov, pravi EPFL.
»Zmožnost rekonstrukcije, ki je vgrajena v naš sistem umetne inteligence, bi zlahka uporabili v drugih okoljih, čeprav bo potreben čas, da usposobimo nevronske mreže za razvrščanje vrst v nova okolja,« pravi Tuia.
Kartiranje brodolomov?
"Ne pričakujem komercialne uporabe (tako v smislu uporabe pri komercialnem potapljanju kot tudi prodaje izdelka) kmalu," je povedal Jonathan Sauder Divernet. »Metoda bo najverjetneje še v razvoju, kmalu pa bodo na voljo bolj uporabniku prijazne odprtokodne izdaje.
»3D-vizija je vroče področje v raziskavah strojnega učenja/robotike. Stvari se premikajo izjemno hitro in pričakujem, da bo preslikava v realnem času doživela svoj 'trenutek ChatGPT' v naslednjih letih, z nenadno široko razpoložljivostjo zelo močnih algoritmov, ki jih poganjajo velika podjetja z na videz neskončnimi proračuni za raziskave in inženiring, vendar bomo glej!"
Bi sistem lahko prilagodili za 3D kartiranje razbitin? »3D-preslikava je naučen algoritem – kar pomeni, da se uči iz niza videoposnetkov za usposabljanje.
V našem scenariju urimo sistem kartiranja na videoposnetkih grebenov. Sumim, da bi trenutno dobro deloval na razbitinah ladij, vendar bi lahko deloval veliko bolje, če bi se uril na velikih količinah videoposnetkov s takšnimi prizori.
»Zaenkrat bi pričakoval, da je najboljša metoda za pridobivanje kul 3D rekonstrukcij razbitin ladij še vedno običajen delovni proces 3D kartiranja, ki zajema veliko fotografij visoke ločljivosti, izračunavanje položajev fotoaparata s programsko opremo Structure-from-Motion, kot je Agisoft Metashape ali COLMAP in jih nato potencialno lepo upodobiti kot Gaussov Splat.«
Članek o raziskavah kartiranja grebenov je bil nedavno objavljen v reviji Metode v ekologiji in evoluciji.
Tudi na Divernetu: Svetovni koralni grebeni so večji, kot smo mislili ..., 10 načinov, kako tehnologija rešuje korale, Globok koralni greben je največji znan na svetu, Karte iz 18. stoletja razkrivajo izgubo koral
