Tiek apgalvots, ka mākslīgā intelekta sistēma, kas izstrādāta EPFL, publiskajā pētniecības universitātē Lozannā, Šveicē, spēj izveidot detalizētas koraļļu rifu 3D kartes pat no amatieru nirēju apšaubāmi apgaismotiem videomateriāliem — dažu minūšu laikā.
DeepReefMap sistēmai nepieciešamos datus var savākt ikviens, kas ir aprīkots ar standarta niršanas aprīkojumu un tirdzniecībā pieejamu kameru.
Viņiem atliek tikai lēnām peldēt virs rifa vairākus simtus metru, tverot videomateriālu, kurā redzams skats tālāk.
Vienīgie ierobežojumi ir kameras akumulatora darbības laiks un gaisa daudzums ūdenslīdēja tvertnē, saka EPFL, apgalvojot, ka attīstība iezīmē "lielu lēcienu uz priekšu dziļjūras izpētes un saglabāšanas spējās tādām organizācijām kā Transnacionālais Sarkanās jūras centrs (TRSC). )” – zinātniski pētnieciskā iestāde, kuru EPFL saimnieko kopš 2019. gada.
TRSC ir veikusi padziļinātus pētījumus par tām Sarkanās jūras koraļļu sugām, kuras ir izrādījušās visizturīgākās pret klimata izraisītu stresu, un tās iniciatīva kalpo arī kā DeepReefMap sistēmas izmēģinājumu laukums.
Kartes mirkļos
Tiek uzskatīts, ka DeepReefMap, kas izstrādāts Vides skaitļošanas zinātnes un Zemes novērošanas laboratorijā (ECEO), kas atrodas EPFL Arhitektūras, civilās un vides inženierijas skolā (ENAC), spēj ātri izveidot vairākus simtus metru 3D rifu kartes.
Ne tikai tas, bet arī var atpazīt koraļļu atšķirīgās iezīmes un īpašības un klasificēt tos
"Izmantojot šo jauno sistēmu, ikviens var piedalīties pasaules koraļļu rifu kartēšanā," saka TRSC projektu koordinators Samuels Gardazs. "Tas patiešām veicinās pētniecību šajā jomā, samazinot darba slodzi, aprīkojuma un loģistikas apjomu, kā arī ar IT saistītās izmaksas."
3D koraļļu rifu karšu iegūšana, izmantojot parastās metodes, pagātnē ir izrādījusies sarežģīta un dārga, saka EPFL.
Skaitļojoši intensīvas rekonstrukcijas ir balstītas uz vairākiem simtiem vienas un tās pašas, ļoti ierobežota izmēra (dažus desmitu metru) rifa daļas attēlu, kas uzņemti no daudziem dažādiem atskaites punktiem, un tikai speciālistiem ūdenslīdējiem ir izdevies iegūt šādus attēlus.
Šie faktori ir ļoti ierobežojuši koraļļu rifu plānošanu tajās pasaules daļās, kur trūkst vajadzīgās tehniskās zināšanas, un ir atturējuši no uzraudzīt plašus rifus, kas aptver kilometrus vai pat simtus metru.
Sešu kameru masīvs
Lai gan nirēji amatieri var viegli uztvert datus par maziem rifiem DeepReefMap, lai iegūtu datus plašākā apgabalā, EPFL pētnieki ir izstrādājuši PVC struktūru, kurā ir sešas kameras – trīs vērstas uz priekšu un trīs atpakaļ. Kameras ir izvietotas 1 m attālumā viena no otras, un iestatījumu joprojām vada viens ūdenslīdējs.
Tiek uzskatīts, ka šis sešu kameru bloks piedāvā zemu izmaksu iespēju vietējām niršanas komandām, kas darbojas ar ierobežotu budžetu.
Kad kadri ir augšupielādēti, DeepReefMap nav problēmu ar sliktu apgaismojumu vai difrakciju un kodīgajiem efektiem, kas bieži sastopami zemūdens attēlos.
"Dziļie neironu tīkli iemācās pielāgoties šiem apstākļiem, kas nav optimāli datora redzes algoritmiem."
Esošās 3D kartēšanas programmas darbojas uzticami tikai precīzos apgaismojuma apstākļos un ar augstas izšķirtspējas attēliem, un tās ir “arī ierobežotas, ja runa ir par mērogu”, norāda ECEO profesors Devis Tuia.
"Ar izšķirtspēju, kurā var identificēt atsevišķus koraļļus, lielākās 3D kartes ir vairākus metrus garas, un tas prasa milzīgu apstrādes laiku," viņš saka. "Izmantojot DeepReefMap, mūs ierobežo tikai tas, cik ilgi nirējs var atrasties zem ūdens."
Veselība un forma
Pētnieki arī apgalvo, ka ir atvieglojuši lauka biologu dzīvi, iekļaujot "semantiskās segmentācijas algoritmus", kas var klasificēt un kvantitatīvi noteikt koraļļus pēc divām īpašībām.
Pirmā īpašība ir veselība — no ļoti krāsaina (kas liecina par labu veselību) līdz baltai (norāda uz izbalēšanu) un aļģēm klāta (norāda nāvi) — un otrā ir forma, izmantojot starptautiski atzītu skalu, lai klasificētu visbiežāk sastopamos koraļļu veidus. Sarkanās jūras seklajos rifos (zarojoši, laukakmeņi, plātnes un mīksti).
"Mūsu mērķis bija izstrādāt sistēmu, kas būtu noderīga šajā jomā strādājošajiem zinātniekiem un kuru varētu ātri un plaši ieviest," saka Džonatans Sauders, kurš strādāja pie DeepReefMap izstrādes savam doktora disertācijas darbam.
“Piemēram, Džibutijai ir 400 km gara krasta līnija. Mūsu metodei nav nepieciešama dārga aparatūra. Viss, kas nepieciešams, ir dators ar pamata grafikas apstrādes bloku. Semantiskā segmentācija un 3D rekonstrukcija notiek tādā pašā ātrumā kā video atskaņošana.
Pētnieki uzskata, ka, izmantojot tehnoloģiju, būs viegli uzraudzīt, kā laika gaitā mainās rifi, lai noteiktu prioritārās aizsargājamās teritorijas.
Tas arī dos zinātniekiem sākumpunktu, lai pievienotu citus datus, piemēram, rifu sugu daudzveidību un bagātību, populācijas ģenētiku, koraļļu adaptācijas potenciālu siltākiem ūdeņiem un vietējo piesārņojumu rifos. Šis process galu galā varētu novest pie pilna digitāla rifa dvīņa izveidošanas.
DeepReefMap varētu izmantot arī mangrovju audzēs un citos sekla ūdens biotopos, un tas kalpo kā ceļvedis dziļāku jūras ekosistēmu izpētē, saka EPFL.
"Mūsu AI sistēmā iebūvēto rekonstrukcijas iespēju varētu viegli izmantot citos apstākļos, lai gan būs vajadzīgs laiks, lai apmācītu neironu tīklus, lai klasificētu sugas jaunās vidēs," saka Tuia.
Kuģa vraka kartēšana?
"Es negaidu drīzumā komerciālu izmantošanu (gan komerciālā niršanas nozīmē, gan produkta pārdošanu), " sacīja Džonatans Sauders. Divernet. "Visticamāk, šī metode paliks izstrādes stadijā, un drīzumā būs pieejami lietotājam draudzīgāki atvērtā pirmkoda laidieni.
“3D redze ir karsts lauks mašīnmācībā/robotikas pētniecībā. Notikumi attīstās ārkārtīgi ātri, un es sagaidu, ka reāllaika kartēšanai nākamajos gados būs savs “ChatGPT brīdis”, un pēkšņi plaši pieejami ļoti spēcīgi algoritmi, ko virzīs lieli uzņēmumi ar šķietami bezgalīgu pētniecības un inženierijas budžetu, taču mēs redzi!”
Vai sistēmu varētu pielāgot kuģu vraku 3D kartēšanai? “3D kartēšana ir apgūts algoritms — tas nozīmē, ka tā mācās no mācību video kopas.
Mūsu scenārijā mēs apmācām kartēšanas sistēmu rifu videoklipos. Man ir aizdomas, ka šobrīd tas darbotos labi uz kuģu vrakiem, taču varētu darboties daudz labāk, ja tiktu apmācīts uzņemt lielu daudzumu video no šādām ainām.
“Pagaidām es ceru, ka labākā metode, lai iegūtu foršas kuģu vraku 3D rekonstrukcijas, joprojām ir parasta 3D kartēšanas darbplūsma, uzņemot daudzus augstas izšķirtspējas fotoattēlus, aprēķinot kameras pozas, izmantojot programmatūru Structure-from-Motion, piemēram, Agisoft Metashape vai COLMAP un pēc tam, iespējams, lieliski atveidojot tos kā Gausa zīmogu.
Nesen žurnālā tika publicēts raksts par rifu kartēšanas pētījumu Metodes ekoloģijā un evolūcijā.
Arī pakalpojumā Divernet: Pasaules koraļļu rifi ir lielāki, nekā mēs domājām…, 10 veidi, kā tehnoloģija glābj koraļļus, Dziļais koraļļu rifs ir pasaulē lielākais zināmais, 18. gadsimta diagrammas atklāj koraļļu zudumu
