Utoljára 4. április 2024 -án frissítette Divernet csapat
Az EPFL-ben, a svájci Lausanne-i állami kutatóegyetemen kifejlesztett mesterséges intelligencia-rendszer állítólag képes részletes 3D-s korallzátony-térképeket készíteni még amatőr búvárok megkérdőjelezhetően megvilágított videófelvételeiből is – néhány perc alatt.
A DeepReefMap rendszerhez szükséges adatokat bárki gyűjtheti, aki normál búvárfelszereléssel és kereskedelmi forgalomban kapható kamerával rendelkezik.
Csak annyit kell tenniük, hogy lassan több száz métert úsznak egy zátony felett, és menet közben videófelvételeket készítenek a lenti kilátásról.
Az egyetlen korlát a kamera akkumulátorának élettartama és a búvártartályban lévő levegő mennyisége, állítja az EPFL, és azt állítja, hogy a fejlesztés „jelentős előrelépést jelent a mélytengeri kutatási és természetvédelmi képességek terén olyan szervezetek számára, mint a Transznacionális Vörös-tengeri Központ (TRSC). )” – tudományos kutatótestület, amelynek 2019 óta az EPFL ad otthont.
A TRSC mélyreható tanulmányokat végzett azokon a vörös-tengeri korallfajokon, amelyek a legellenállóbbnak bizonyultak az éghajlattal kapcsolatos stresszel szemben, és kezdeményezése a DeepReefMap rendszer tesztelési terepeként is szolgált.
Térképek pillanatok alatt
Az EPFL Építészeti, Építészeti és Környezetmérnöki Iskolán (ENAC) belüli Environmental Computational Science & Earth Observation Laboratory (ECEO) által kifejlesztett DeepReefMap állítólag pillanatok alatt képes több száz méteres 3D zátonytérképet készíteni.
Nem csak ez, hanem felismeri a korallok megkülönböztető jegyeit és jellemzőit, és osztályozza őket
„Ezzel az új rendszerrel bárki részt vehet a világ korallzátonyainak feltérképezésében” – mondja Samuel Gardaz, a TRSC projektek koordinátora. "Ez valóban ösztönözni fogja a kutatást ezen a területen, mivel csökkenti a munkaterhelést, a felszerelések és a logisztika mennyiségét, valamint az informatikai költségeket."
A 3D-s korallzátony-térképek hagyományos módszerekkel történő beszerzése a múltban kihívásnak és költségesnek bizonyult, mondja az EPFL.
A számításigényes rekonstrukciók a zátony egyazon, nagyon korlátozott méretű (néhány tucat méteres) részéről készült több száz képen alapulnak, amelyeket sok különböző referenciapontból készítettek, és csak speciális búvárok tudtak ilyen képeket készíteni.
Ezek a tényezők súlyosan korlátozták a korallzátonyok ábrázolását a világ olyan részein, ahol hiányzik a szükséges technikai szakértelem, és eltántorították a kiterjedt, kilométeres vagy akár több száz méteres zátonyok megfigyelését.
Hat kamera tömb
Míg a kis zátonyok adatait az amatőr búvárok könnyen rögzíthetik a DeepReefMap számára, az EPFL kutatói egy olyan PVC-szerkezetet fejlesztettek ki, amely hat kamerát tartalmaz – három előre és három hátra. A kamerák egymástól 1 m-re helyezkednek el, és a beállítást továbbra is egyetlen búvár kezeli.
Ez a hat kamerából álló tömb állítólag alacsony költségű lehetőséget kínál a korlátozott költségvetéssel működő helyi búvárcsapatok számára.
A felvétel feltöltése után a DeepReefMapnek állítólag nincs problémája a rossz megvilágítással vagy a víz alatti képeken gyakran előforduló diffrakciós és maró hatásokkal.
"A mély neurális hálózatok megtanulnak alkalmazkodni ezekhez a feltételekhez, amelyek szuboptimálisak a számítógépes látás algoritmusai számára."
Devis Tuia, az ECEO professzora szerint a meglévő 3D-s térképészeti programok csak pontos fényviszonyok mellett és nagy felbontású képekkel működnek megbízhatóan, és „méretarányosan is korlátozottak”.
„Olyan felbontásban, ahol az egyes korallok azonosíthatók, a legnagyobb 3D-s térképek több méter hosszúak, ami rendkívül sok feldolgozási időt igényel” – mondja. „A DeepReefMap esetében csak az korlátoz minket, hogy a búvár mennyi ideig tartózkodhat a víz alatt.”
Egészség és forma
A kutatók azt is állítják, hogy megkönnyítették a terepi biológusok életét azáltal, hogy „szemantikus szegmentációs algoritmusokat” alkalmaztak, amelyek két jellemző alapján osztályozhatják és számszerűsíthetik a korallokat.
Az első jellemző az egészség – a rendkívül színestől (jó egészséget sugallva) a fehérig (kifehéredést jelezve) és algákkal borítottig (ez a halált jelzi) –, a második pedig az alak, egy nemzetközileg elismert skála segítségével a leggyakrabban előforduló koralltípusok osztályozására. a Vörös-tenger sekély zátonyaiban (elágazó, sziklás, lemezes és puha).
„Az volt a célunk, hogy egy olyan rendszert fejlesszünk ki, amely hasznosnak bizonyul a területen dolgozó tudósok számára, és amely gyorsan és széles körben bevezethető” – mondja Jonathan Sauder, aki a DeepReefMap fejlesztésén dolgozott doktori disszertációjához.
„Dzsibutinak például 400 kilométernyi tengerpartja van. Módszerünk nem igényel drága hardvert. Ehhez nem kell más, mint egy alapvető grafikus feldolgozóegységgel rendelkező számítógép. A szemantikai szegmentálás és a 3D rekonstrukció ugyanolyan sebességgel történik, mint a videó lejátszása.”
A kutatók úgy vélik, hogy a technológia segítségével könnyű lesz nyomon követni, hogyan változnak a zátonyok az idő múlásával, és azonosítani tudják a kiemelten fontos természetvédelmi területeket.
Ezenkívül kiindulópontot ad a tudósoknak ahhoz, hogy olyan adatokat adjanak hozzá, mint például a zátonyfajok sokfélesége és gazdagsága, a populáció genetikája, a korallok alkalmazkodóképessége a melegebb vizekhez, és a zátonyok helyi szennyezése. Ez a folyamat végül egy zátony teljes digitális ikertestvérének létrehozásához vezethet.
A DeepReefMap mangrovákban és más sekély vizű élőhelyeken is használható, és útmutatóként szolgálhat a mélyebb tengeri ökoszisztémák feltárásához, mondja EPFL.
„A mesterséges intelligencia rendszerünkbe épített rekonstrukciós képesség könnyen alkalmazható más körülmények között is, bár időbe telik, amíg a neurális hálózatokat betanítjuk a fajok új környezetben történő osztályozására” – mondja Tuia.
Hajóroncs-térképezés?
„Nem számítok hamarosan kereskedelmi felhasználásra (mind a kereskedelmi búvárkodásban, mind a termék eladásában)” – mondta Jonathan Sauder. Divernet. „A módszer nagy valószínűséggel fejlesztés alatt marad, hamarosan több felhasználóbarát, nyílt forráskódú kiadás érkezik.
„A 3D-s látás a gépi tanulási/robotikai kutatások forró terepe. A dolgok rendkívül gyorsan haladnak, és arra számítok, hogy a valós idejű térképezés a következő években el fogja érni a „ChatGPT pillanatát”, amikor hirtelen széles körben elérhetővé válnak a nagyon erős algoritmusok, amelyeket a végtelennek tűnő kutatási és mérnöki költségvetéssel rendelkező nagyvállalatok hajtanak végre, de mi lát!"
Alkalmazható-e a rendszer a hajóroncsok 3D-s térképezésére? „A 3D leképezés egy tanult algoritmus – ami azt jelenti, hogy egy sor oktatóvideóból tanul.
forgatókönyvünk szerint a térképezési rendszert zátonyvideókon tanítjuk. Azt gyanítom, hogy most jól működne a hajóroncsokon, de sokkal jobban működhetne, ha nagy mennyiségű videót készítene az ilyen jelenetekből.
„Egyelőre azt várom, hogy a hajóroncsok hűvös 3D-s rekonstrukciójának legjobb módszere továbbra is a hagyományos 3D-s feltérképezési munkafolyamat, amelyben sok nagy felbontású fényképet készítünk, és kiszámítjuk a kamera pózait egy Structure-from-Motion szoftverrel, mint például az Agisoft Metashape vagy COLMAP, majd potenciálisan ezeket szépen Gauss-jelként jeleníti meg.”
A folyóiratban nemrég jelent meg egy tanulmány a zátonytérképezési kutatásról Módszerek az ökológiában és az evolúcióban.
A Diverneten is: A világ korallzátonyai nagyobbak, mint gondoltuk…, 10 módszer, amellyel a technológia megmenti a korallt, A mély korallzátony a világ legnagyobb ismert korallzátonya, A 18. századi térképek korallveszteséget mutatnak be
