Et kunstig intelligenssystem udviklet ved EPFL, det offentlige forskningsuniversitet i Lausanne, Schweiz, hævdes at være i stand til at producere detaljerede 3D-kort over koralrev selv fra amatørdykkeres tvivlsomt oplyste videooptagelser – i løbet af få minutter.
De nødvendige data til DeepReefMap-systemet kan indsamles af alle, der er udstyret med standard dykkerudstyr og et kommercielt tilgængeligt kamera.
Det eneste, de skal gøre, er at svømme langsomt over et rev i flere hundrede meter og optage videooptagelser af udsigten nedenfor, mens de går.
De eneste begrænsninger er kameraets batterilevetid og mængden af luft i dykkerens tank, siger EPFL og hævder, at udviklingen markerer "et stort spring fremad inden for dybhavsudforskning og -bevaringskapaciteter for organisationer som Transnational Red Sea Center (TRSC) )” – et videnskabeligt forskningsorgan, der har været vært for EPFL siden 2019.
TRSC har udført dybdegående undersøgelser af de rødehavskoralarter, der har vist sig at være mest modstandsdygtige over for klimarelateret stress, og dets initiativ har også tjent som en testplads for DeepReefMap-systemet.
Kort i øjeblikke
DeepReefMap, der er udviklet ved Environmental Computational Science & Earth Observation Laboratory (ECEO) inden for EPFL's School of Architecture, Civil & Environmental Engineering (ENAC), siges at have magten til at producere flere hundrede meter 3D-revkort på få øjeblikke.
Ikke kun det, men det kan også genkende korallernes karakteristiske træk og karakteristika og klassificere dem
"Med dette nye system kan enhver spille en rolle i at kortlægge verdens koralrev," siger TRSC-projektkoordinator Samuel Gardaz. "Det vil virkelig anspore forskning på dette område ved at reducere arbejdsbyrden, mængden af udstyr og logistik og de it-relaterede omkostninger."
At opnå 3D-koralrevskort ved hjælp af konventionelle metoder har tidligere vist sig udfordrende og dyrt, siger EPFL.
Beregningsintensive rekonstruktioner er baseret på flere hundrede billeder af den samme del af revet af meget begrænset størrelse (et par dusin meter) taget fra mange forskellige referencepunkter, og kun specialdykkere har været i stand til at opnå sådanne billeder.
Disse faktorer har alvorligt begrænset koralrevsplotning i dele af verden, der mangler den nødvendige tekniske ekspertise, og har afskrækket overvågningen af omfattende rev, der dækker kilometer, eller endda hundreder af meter.
Seks kamera array
Mens data om små rev nemt kan fanges til DeepReefMap af amatørdykkere, har EPFL-forskerne udviklet en PVC-struktur for at få data over et større område, der holder seks kameraer - tre fremadvendte og tre tilbagevendende. Kameraerne er placeret 1 m fra hinanden, og opsætningen betjenes stadig af en enkelt dykker.
Dette array med seks kameraer siges at tilbyde en billig mulighed for lokale dykkerhold, der opererer på begrænsede budgetter.
Når først optagelserne er uploadet, siges DeepReefMap ikke at have noget problem med dårlig belysning eller de diffraktions- og kaustiske effekter, der ofte findes i undervandsbilleder.
"Dybe neurale netværk lærer at tilpasse sig disse forhold, som er suboptimale for computersynsalgoritmer".
Eksisterende 3D-kortlægningsprogrammer fungerer kun pålideligt under præcise lysforhold og med billeder i høj opløsning og er "også begrænset, når det kommer til skalering", ifølge ECEO-professor Devis Tuia.
"I en opløsning, hvor individuelle koraller kan identificeres, er de største 3D-kort flere meter lange, hvilket kræver enormt meget behandlingstid," siger han. "Med DeepReefMap er vi kun begrænset af, hvor længe dykkeren kan blive under vand."
Sundhed og form
Forskerne hævder også at have gjort livet lettere for feltbiologer ved at inkludere "semantiske segmenteringsalgoritmer", der kan klassificere og kvantificere koraller efter to karakteristika.
Det første kendetegn er sundhed - fra meget farverigt (antyder godt helbred) til hvidt (indikerende af blegning) og dækket af alger (betegner død) - og det andet er form, der bruger en internationalt anerkendt skala til at klassificere de mest almindelige typer koraller. i de lavvandede rev i Det Røde Hav (forgrenende, klippeblokke, plade og blød).
"Vores mål var at udvikle et system, der ville vise sig nyttigt for forskere, der arbejder inden for området, og som kunne udrulles hurtigt og bredt," siger Jonathan Sauder, der arbejdede på udviklingen af DeepReefMap til sin ph.d.-afhandling.
"Djibouti, for eksempel, har 400 km kystlinje. Vores metode kræver ikke noget dyrt hardware. Alt det kræver er en computer med en grundlæggende grafikbehandlingsenhed. Den semantiske segmentering og 3D-rekonstruktion sker med samme hastighed som videoafspilningen."
Forskerne mener, at det ved hjælp af teknologien bliver nemt at overvåge, hvordan rev ændrer sig over tid, for at identificere prioriterede bevaringsområder.
Det vil også give forskere et udgangspunkt for at tilføje andre data såsom mangfoldighed og rigdom af revarter, populationsgenetik, korallers adaptive potentiale til varmere farvande og lokal forurening i rev. Denne proces kan i sidste ende føre til skabelsen af en fuld digital tvilling af et rev.
DeepReefMap kan også bruges i mangrover og andre lavtvandshabitater og tjene som en guide i udforskningen af dybere marine økosystemer, siger EPFL.
"Rekonstruktionsevnen, der er indbygget i vores AI-system, kan nemt bruges i andre omgivelser, selvom det vil tage tid at træne de neurale netværk til at klassificere arter i nye miljøer," siger Tuia.
Skibsvrag-kortlægning?
"Jeg forventer ikke kommerciel brug (både i betydningen brug i kommerciel dykning, såvel som salg af et produkt) snart," fortalte Jonathan Sauder Divernet. "Metoden vil højst sandsynligt forblive under udvikling, med mere brugervenlige open source-udgivelser på vej snart.
“3D-vision er et varmt felt inden for maskinlæring/robotforskning. Tingene bevæger sig ekstremt hurtigt, og jeg forventer, at realtidskortlægning vil have sit 'ChatGPT-øjeblik' inden for de næste år, med en pludselig udbredt tilgængelighed af meget stærke algoritmer, drevet af store virksomheder med tilsyneladende uendelige forsknings- og ingeniørbudgetter, men vi vil se!"
Kunne systemet tilpasses til 3D-kortlægning af skibsvrag? “3D-kortlægningen er en indlært algoritme – hvilket betyder, at den lærer fra et sæt træningsvideoer.
I vores scenarie træner vi kortlægningssystemet på rev-videoer. Jeg formoder lige nu, at det ville fungere OK-ish på skibsvrag, men kunne fungere meget bedre, hvis det trænes på store mængder videoer fra sådanne scener.
"I øjeblikket forventer jeg, at den bedste metode til at få seje 3D-rekonstruktioner af skibsvrag stadig er en konventionel 3D-kortlægningsarbejdsgang med at tage mange billeder i høj opløsning, beregne kameraets positurer med en Structure-from-Motion-software som Agisoft Metashape eller COLMAP, og derefter potentielt gengive disse pænt som en Gaussisk Splat."
Et papir om rev-kortlægningsforskningen blev for nylig offentliggjort i tidsskriftet Metoder i økologi og evolution.
Også på Divernet: Verdens koralrev er større, end vi troede..., 10 måder, teknologi redder koraller på, Dybe koralrev er verdens største kendte, Diagrammer fra det 18. århundrede afslører tab af koraller
