Sistem kecerdasan buatan yang dibangunkan di EPFL, universiti penyelidikan awam di Lausanne, Switzerland, didakwa mampu menghasilkan peta 3D terperinci terumbu karang walaupun daripada rakaman video penyelam amatur yang boleh dipersoalkan - dalam masa beberapa minit.
Data yang diperlukan untuk sistem DeepReefMap boleh dikumpulkan oleh sesiapa sahaja yang dilengkapi dengan peralatan menyelam standard dan kamera yang tersedia secara komersial.
Apa yang mereka perlu lakukan ialah berenang perlahan-lahan di atas terumbu sejauh beberapa ratus meter, merakam rakaman video pemandangan di bawah semasa mereka pergi.
Satu-satunya had ialah hayat bateri kamera dan jumlah udara dalam tangki penyelam, kata EPFL, dengan mendakwa bahawa pembangunan itu menandakan "lonjakan besar ke hadapan dalam penerokaan laut dalam dan keupayaan pemuliharaan untuk organisasi seperti Pusat Laut Merah Transnasional (TRSC). )” – badan penyelidikan saintifik yang telah dihoskan oleh EPFL sejak 2019.
TRSC telah menjalankan kajian mendalam tentang spesies karang Laut Merah yang telah terbukti paling tahan terhadap tekanan berkaitan iklim, dengan inisiatifnya juga berfungsi sebagai tempat ujian untuk sistem DeepReefMap.
Peta dalam beberapa saat
Dibangunkan di Makmal Sains Pengiraan Alam Sekitar & Pemerhatian Bumi (ECEO) dalam Pusat Pengajian Seni Bina, Kejuruteraan Awam & Alam Sekitar (ENAC) EPFL, DeepReefMap dikatakan mempunyai kuasa untuk menghasilkan beberapa ratus meter peta terumbu 3D dalam sekejap.
Bukan itu sahaja, malah ia juga boleh mengenali ciri-ciri dan ciri-ciri tersendiri batu karang dan mengklasifikasikannya
“Dengan sistem baharu ini, sesiapa sahaja boleh memainkan peranan dalam memetakan terumbu karang dunia,” kata penyelaras projek TRSC Samuel Gardaz. "Ia benar-benar akan merangsang penyelidikan dalam bidang ini dengan mengurangkan beban kerja, jumlah peralatan dan logistik, dan kos berkaitan IT."
Mendapatkan peta terumbu karang 3D menggunakan kaedah konvensional telah terbukti mencabar dan mahal pada masa lalu, kata EPFL.
Pembinaan semula intensif secara pengiraan adalah berdasarkan beberapa ratus imej bahagian terumbu yang sama dengan saiz yang sangat terhad (beberapa dozen meter) yang diambil dari banyak titik rujukan yang berbeza, dan hanya penyelam pakar yang dapat memperoleh imej sedemikian.
Faktor-faktor ini telah mengehadkan plot terumbu karang di bahagian dunia yang tidak mempunyai kepakaran teknikal yang diperlukan, dan telah tidak menggalakkan pemantauan terumbu yang luas meliputi kilometer, atau bahkan ratusan meter.
Susunan enam kamera
Walaupun data tentang terumbu kecil boleh ditangkap dengan mudah untuk DeepReefMap oleh penyelam amatur, untuk mendapatkan data di kawasan yang lebih luas, penyelidik EPFL telah membangunkan struktur PVC yang memegang enam kamera - tiga menghadap ke hadapan dan tiga ke belakang. Kamera dijarakkan 1m dan set-up masih dikendalikan oleh seorang penyelam.
Susunan enam kamera ini dikatakan menawarkan pilihan kos rendah untuk pasukan penyelam tempatan yang beroperasi pada belanjawan terhad.
Sebaik rakaman itu dimuat naik, DeepReefMap dikatakan tidak mempunyai masalah dengan pencahayaan yang kurang baik atau kesan pembelauan dan kaustik yang sering ditemui dalam imej bawah air.
"Rangkaian saraf dalam belajar menyesuaikan diri dengan keadaan ini, yang tidak optimum untuk algoritma penglihatan komputer".
Program pemetaan 3D sedia ada berfungsi dengan pasti hanya di bawah keadaan pencahayaan yang tepat dan dengan imej resolusi tinggi, dan "juga terhad dalam skala", menurut profesor ECEO Devis Tuia.
"Pada resolusi di mana batu karang individu boleh dikenal pasti, peta 3D terbesar adalah beberapa meter panjang, yang memerlukan jumlah masa pemprosesan yang besar," katanya. “Dengan DeepReefMap, kami hanya dihadkan oleh tempoh penyelam boleh berada di bawah air.”
Kesihatan dan bentuk
Para penyelidik juga mendakwa telah menjadikan kehidupan lebih mudah untuk ahli biologi lapangan dengan memasukkan "algoritma segmentasi semantik" yang boleh mengklasifikasikan dan mengukur batu karang mengikut dua ciri.
Ciri pertama ialah kesihatan - daripada sangat berwarna-warni (mencadangkan kesihatan yang baik) kepada putih (menunjukkan pelunturan) dan diliputi alga (menandakan kematian) - dan yang kedua ialah bentuk, menggunakan skala yang diiktiraf di peringkat antarabangsa untuk mengklasifikasikan jenis karang yang paling biasa ditemui di terumbu cetek Laut Merah (bercabang, batu besar, plat dan lembut).
"Matlamat kami adalah untuk membangunkan sistem yang terbukti berguna kepada saintis yang bekerja di lapangan dan yang boleh dilancarkan dengan cepat dan meluas," kata Jonathan Sauder, yang bekerja pada pembangunan DeepReefMap untuk tesis PhDnya.
“Misalnya, Djibouti mempunyai garis pantai sepanjang 400km. Kaedah kami tidak memerlukan perkakasan yang mahal. Apa yang diperlukan ialah komputer dengan unit pemprosesan grafik asas. Pembahagian semantik dan pembinaan semula 3D berlaku pada kelajuan yang sama seperti main balik video."
Para penyelidik percaya bahawa menggunakan teknologi itu akan menjadi mudah untuk memantau bagaimana terumbu berubah dari semasa ke semasa, untuk mengenal pasti kawasan pemuliharaan keutamaan.
Ia juga akan memberi saintis titik permulaan untuk menambah data lain seperti kepelbagaian dan kekayaan spesies terumbu, genetik populasi, potensi penyesuaian karang ke perairan yang lebih panas, dan pencemaran tempatan di terumbu. Proses ini akhirnya boleh membawa kepada penciptaan kembar digital penuh terumbu.
DeepReefMap juga boleh digunakan dalam hutan bakau dan habitat air cetek lain, dan berfungsi sebagai panduan dalam penerokaan ekosistem marin yang lebih dalam, kata EPFL.
"Keupayaan pembinaan semula yang terbina dalam sistem AI kami boleh digunakan dengan mudah dalam tetapan lain, walaupun ia akan mengambil masa untuk melatih rangkaian saraf untuk mengklasifikasikan spesies dalam persekitaran baharu," kata Tuia.
Pemetaan kapal karam?
"Saya tidak menjangkakan penggunaan komersil (kedua-duanya dalam erti kata penggunaan dalam menyelam komersial, serta menjual produk) tidak lama lagi," kata Jonathan Sauder. Divernet. “Kaedah itu kemungkinan besar akan terus dibangunkan, dengan lebih banyak keluaran sumber terbuka mesra pengguna akan datang tidak lama lagi.
“Penglihatan 3D ialah bidang hangat dalam pembelajaran mesin / penyelidikan robotik. Perkara bergerak sangat pantas dan saya menjangkakan pemetaan masa nyata mempunyai 'detik ChatGPT' dalam tahun-tahun akan datang, dengan ketersediaan meluas secara tiba-tiba algoritma yang sangat kuat, didorong oleh syarikat besar dengan belanjawan penyelidikan dan kejuruteraan yang kelihatan tidak terhingga, tetapi kami akan lihat!”
Bolehkah sistem itu disesuaikan untuk pemetaan 3D bangkai kapal? “Pemetaan 3D ialah algoritma yang dipelajari – bermakna ia belajar daripada satu set video latihan.
Dalam senario kami, kami melatih sistem pemetaan pada video terumbu. Saya mengesyaki sekarang ini ia akan berfungsi OK-ish pada bangkai kapal, tetapi boleh berfungsi dengan lebih baik jika dilatih pada sejumlah besar video dari adegan sedemikian.
“Buat masa ini, saya menjangkakan kaedah terbaik untuk mendapatkan pembinaan semula 3D yang hebat bangkai kapal masih menjadi aliran kerja pemetaan 3D konvensional untuk mengambil banyak foto beresolusi tinggi, mengira pose kamera dengan perisian Structure-from-Motion seperti Agisoft Metashape atau COLMAP, dan kemudian berpotensi menjadikannya sebagai Gaussian Splat.”
Satu kertas mengenai penyelidikan pemetaan terumbu telah diterbitkan baru-baru ini dalam jurnal Kaedah Dalam Ekologi Dan Evolusi.
Juga di Divernet: Terumbu karang dunia lebih besar daripada yang kita sangka…, 10 cara teknologi menyelamatkan karang, Terumbu karang dalam adalah yang terbesar di dunia, Carta abad ke-18 mendedahkan kehilangan karang
