Een kunstmatig intelligentiesysteem ontwikkeld door EPFL, de openbare onderzoeksuniversiteit in Lausanne, Zwitserland, zou in slechts enkele minuten gedetailleerde 3D-kaarten van koraalriffen kunnen produceren, zelfs op basis van twijfelachtig verlichte videobeelden van amateurduikers.
De gegevens die nodig zijn voor het DeepReefMap-systeem kunnen worden verzameld door iedereen die is uitgerust met standaard duikuitrusting en een in de handel verkrijgbare camera.
Het enige wat ze hoeven te doen is een paar honderd meter langzaam boven een rif zwemmen en onderweg videobeelden maken van het uitzicht beneden.
De enige beperkingen zijn de levensduur van de batterij van de camera en de hoeveelheid lucht in de tank van de duiker, zegt EPFL, en beweert dat de ontwikkeling “een grote sprong voorwaarts markeert in de mogelijkheden voor diepzeeonderzoek en natuurbehoud voor organisaties als het Transnational Red Sea Centre (TRSC). )” – een wetenschappelijk onderzoeksorgaan dat sinds 2019 wordt gehost door EPFL.
De TRSC heeft diepgaande studies uitgevoerd naar de koraalsoorten uit de Rode Zee die het meest resistent zijn gebleken tegen klimaatgerelateerde stress, waarbij het initiatief ook dient als proeftuin voor het DeepReefMap-systeem.
Kaarten in enkele ogenblikken
DeepReefMap is ontwikkeld door het Environmental Computational Science & Earth Observation Laboratory (ECEO) binnen EPFL's School of Architecture, Civil & Environmental Engineering (ENAC) en zou in enkele ogenblikken honderden meters aan 3D-rifkaarten kunnen produceren.
Niet alleen dat, maar het kan ook de onderscheidende kenmerken en kenmerken van de koralen herkennen en classificeren
“Met dit nieuwe systeem kan iedereen een rol spelen bij het in kaart brengen van de koraalriffen ter wereld”, zegt Samuel Gardaz, projectcoördinator van TRSC. “Het zal het onderzoek op dit gebied echt stimuleren door de werklast, de hoeveelheid apparatuur en logistiek, en de IT-gerelateerde kosten te verminderen.”
Het verkrijgen van 3D-koraalrifkaarten met behulp van conventionele methoden is in het verleden een uitdaging en duur gebleken, zegt EPFL.
Computerintensieve reconstructies zijn gebaseerd op honderden beelden van hetzelfde gedeelte van het rif van zeer beperkte omvang (enkele tientallen meters), genomen vanaf veel verschillende referentiepunten, en alleen gespecialiseerde duikers zijn in staat dergelijke beelden te verkrijgen.
Deze factoren hebben het in kaart brengen van koraalriffen ernstig beperkt in delen van de wereld waar de noodzakelijke technische expertise ontbreekt, en hebben de monitoring van uitgestrekte riffen van kilometers of zelfs honderden meters ontmoedigd.
Array met zes camera's
Terwijl amateurduikers gemakkelijk gegevens over kleine riffen kunnen vastleggen voor DeepReefMap, hebben de EPFL-onderzoekers, om gegevens over een groter gebied te verkrijgen, een PVC-structuur ontwikkeld die zes camera's bevat: drie naar voren gericht en drie naar achteren. De camera's staan 1 meter uit elkaar en de opstelling wordt nog steeds door één duiker bediend.
Er wordt gezegd dat deze opstelling met zes camera's een goedkope optie biedt voor lokale duikteams die met een beperkt budget opereren.
Zodra de beelden zijn geüpload, zou DeepReefMap geen probleem hebben met slechte verlichting of de diffractie en bijtende effecten die vaak voorkomen in onderwaterbeelden.
“Diepe neurale netwerken leren zich aan te passen aan deze omstandigheden, die niet optimaal zijn voor computer vision-algoritmen.”
Bestaande 3D-mappingprogramma's werken alleen betrouwbaar onder precieze lichtomstandigheden en met beelden met een hoge resolutie, en zijn “ook beperkt als het om schaal gaat”, aldus ECEO-professor Devis Tuia.
“Bij een resolutie waarbij individuele koralen kunnen worden geïdentificeerd, zijn de grootste 3D-kaarten enkele meters lang, wat een enorme hoeveelheid verwerkingstijd vereist”, zegt hij. “Met DeepReefMap worden we alleen beperkt door hoe lang de duiker onder water kan blijven.”
Gezondheid en vorm
De onderzoekers beweren ook dat ze het leven van veldbiologen gemakkelijker hebben gemaakt door ‘semantische segmentatie-algoritmen’ op te nemen die koralen kunnen classificeren en kwantificeren op basis van twee kenmerken.
Het eerste kenmerk is gezondheid – van zeer kleurrijk (wat een goede gezondheid suggereert) tot wit (indicatief voor verbleking) en bedekt met algen (wat de dood aangeeft) – en het tweede is vorm, waarbij een internationaal erkende schaal wordt gebruikt om de soorten koralen te classificeren die het meest worden aangetroffen. in de ondiepe riffen van de Rode Zee (vertakkingen, rotsblokken, platen en zacht).
“Ons doel was om een systeem te ontwikkelen dat nuttig zou zijn voor wetenschappers die in het veld werken en dat snel en breed uitgerold zou kunnen worden”, zegt Jonathan Sauder, die voor zijn proefschrift aan de ontwikkeling van DeepReefMap werkte.
“Djibouti heeft bijvoorbeeld een kustlijn van 400 km. Onze methode vereist geen dure hardware. Het enige dat nodig is, is een computer met een eenvoudige grafische verwerkingseenheid. De semantische segmentatie en 3D-reconstructie gebeuren met dezelfde snelheid als het afspelen van video.”
De onderzoekers zijn van mening dat het met behulp van de technologie gemakkelijk zal worden om te monitoren hoe riffen in de loop van de tijd veranderen, om prioritaire natuurgebieden te identificeren.
Het zal wetenschappers ook een startpunt geven voor het toevoegen van andere gegevens, zoals diversiteit en rijkdom aan rifsoorten, populatiegenetica, aanpassingspotentieel van koralen aan warmere wateren en lokale vervuiling in riffen. Dit proces zou uiteindelijk kunnen leiden tot de creatie van een volledige digitale tweeling van een rif.
DeepReefMap zou ook kunnen worden gebruikt in mangroven en andere ondiepe waterhabitats, en als leidraad kunnen dienen bij de verkenning van diepere mariene ecosystemen, zegt EPFL.
“De reconstructiecapaciteit die in ons AI-systeem is ingebouwd, zou gemakkelijk in andere omgevingen kunnen worden ingezet, hoewel het tijd zal kosten om de neurale netwerken te trainen om soorten in nieuwe omgevingen te classificeren”, zegt Tuia.
Scheepswrakken in kaart brengen?
“Ik verwacht niet snel commercieel gebruik (zowel in de zin van gebruik bij commercieel duiken als het verkopen van een product),” vertelde Jonathan Sauder Divernet. “De methode zal hoogstwaarschijnlijk in ontwikkeling blijven, en er komen binnenkort meer gebruiksvriendelijke open-source releases.
“3D-visie is een hot field in machine learning/robotica-onderzoek. De zaken gaan extreem snel en ik verwacht dat real-time mapping binnen de komende jaren zijn ‘ChatGPT-moment’ zal hebben, met een plotselinge wijdverspreide beschikbaarheid van zeer sterke algoritmen, aangedreven door grote bedrijven met schijnbaar oneindige onderzoeks- en engineeringbudgetten, maar we zullen zien!"
Kan het systeem worden aangepast voor het 3D in kaart brengen van scheepswrakken? “De 3D-mapping is een aangeleerd algoritme, wat betekent dat het leert van een reeks trainingsvideo’s.
In ons scenario trainen we het kaartsysteem op rifvideo's. Ik vermoed dat het op dit moment prima zou werken op scheepswrakken, maar het zou veel beter kunnen werken als het getraind zou worden op grote hoeveelheden video's van dergelijke scènes.
“Voorlopig zou ik verwachten dat de beste methode om coole 3D-reconstructies van scheepswrakken te krijgen nog steeds een conventionele 3D-mapping-workflow is, waarbij veel foto’s met hoge resolutie worden gemaakt en de cameraposities worden berekend met Structure-from-Motion-software zoals Agisoft Metashape of COLMAP, en deze vervolgens mogelijk mooi weer te geven als een Gaussiaanse Splat.”
Onlangs werd in het tijdschrift een artikel over het onderzoek naar het in kaart brengen van riffen gepubliceerd Methoden in ecologie en evolutie.
Ook op Divernet: De koraalriffen van de wereld zijn groter dan we dachten..., 10 manieren waarop technologie koraal redt, Diep koraalrif is 's werelds grootste bekende, 18e-eeuwse kaarten laten koraalverlies zien
