Ett system för artificiell intelligens utvecklat vid EPFL, det offentliga forskningsuniversitetet i Lausanne, Schweiz, påstås kunna producera detaljerade 3D-kartor över korallrev även från amatördykares tvivelaktigt upplysta videofilmer – på några minuter.
De data som krävs för DeepReefMap-systemet kan samlas in av alla utrustade med standard dykutrustning och en kommersiellt tillgänglig kamera.
Allt de behöver göra är att simma långsamt över ett rev i flera hundra meter och fånga videofilmer av utsikten nedanför när de går.
De enda begränsningarna är kamerans batteritid och mängden luft i dykarens tank, säger EPFL och hävdar att utvecklingen markerar "ett stort steg framåt i djuphavsutforskning och bevarandekapacitet för organisationer som Transnational Red Sea Center (TRSC) )” – ett vetenskapligt forskningsorgan som har varit värd för EPFL sedan 2019.
TRSC har genomfört djupgående studier av de Röda havets korallarter som har visat sig vara mest motståndskraftiga mot klimatrelaterad stress, och dess initiativ har också fungerat som en testplats för DeepReefMap-systemet.
Kartor i ögonblick
DeepReefMap, som utvecklats vid Environmental Computational Science & Earth Observation Laboratory (ECEO) inom EPFLs School of Architecture, Civil & Environmental Engineering (ENAC), sägs ha kraften att producera flera hundra meter 3D-revkartor på ett ögonblick.
Inte bara det, men det kan också känna igen korallernas särdrag och egenskaper och klassificera dem
"Med detta nya system kan vem som helst spela en roll i kartläggningen av världens korallrev", säger TRSCs projektkoordinator Samuel Gardaz. "Det kommer verkligen att stimulera forskning inom detta område genom att minska arbetsbelastningen, mängden utrustning och logistik och de IT-relaterade kostnaderna."
Att skaffa 3D-korallrevskartor med konventionella metoder har visat sig vara utmanande och dyrt tidigare, säger EPFL.
Beräkningsintensiva rekonstruktioner är baserade på flera hundra bilder av samma del av revet av mycket begränsad storlek (några dussin meter) tagna från många olika referenspunkter, och endast specialiserade dykare har kunnat få sådana bilder.
Dessa faktorer har allvarligt begränsat korallrevsritningen i delar av världen som saknar den nödvändiga tekniska expertisen och har avskräckt övervakningen av omfattande rev som täcker kilometer, eller till och med hundratals meter.
Sex kameror
Även om data om små rev lätt kan fångas för DeepReefMap av amatördykare, har EPFL-forskarna utvecklat en PVC-struktur för att få data över ett större område som håller sex kameror – tre vända framåt och tre bakåt. Kamerorna är placerade 1 m från varandra och uppställningen sköts fortfarande av en enda dykare.
Denna sexkameror sägs erbjuda ett billigt alternativ för lokala dykteam som arbetar med begränsade budgetar.
När filmen väl har laddats upp sägs DeepReefMap inte ha några problem med dålig belysning eller de diffraktions- och frätande effekter som ofta finns i undervattensbilder.
"Djupa neurala nätverk lär sig att anpassa sig till dessa förhållanden, som är suboptimala för datorseendealgoritmer."
Befintliga 3D-kartprogram fungerar endast tillförlitligt under exakta ljusförhållanden och med högupplösta bilder, och är "också begränsade när det kommer till skala", enligt ECEO-professor Devis Tuia.
"I en upplösning där enskilda koraller kan identifieras är de största 3D-kartorna flera meter långa, vilket kräver enormt mycket bearbetningstid", säger han. "Med DeepReefMap begränsas vi bara av hur länge dykaren kan stanna under vatten."
Hälsa och form
Forskarna hävdar också att de har gjort livet lättare för fältbiologer genom att inkludera "semantiska segmenteringsalgoritmer" som kan klassificera och kvantifiera koraller enligt två egenskaper.
Den första egenskapen är hälsa – från mycket färgstark (som tyder på god hälsa) till vit (indikerar blekning) och täckt av alger (betecknar död) – och den andra är formen, med hjälp av en internationellt erkänd skala för att klassificera de typer av koraller som är vanligast förekommande i Röda havets grunda rev (förgrening, boulder, tallrik och mjuk).
"Vårt mål var att utveckla ett system som skulle visa sig användbart för forskare som arbetar inom området och som kunde rullas ut snabbt och brett", säger Jonathan Sauder, som arbetade med utvecklingen av DeepReefMap för sin doktorsavhandling.
"Djibouti, till exempel, har 400 km kustlinje. Vår metod kräver ingen dyr hårdvara. Allt som krävs är en dator med en grundläggande grafikprocessor. Den semantiska segmenteringen och 3D-rekonstruktionen sker i samma hastighet som videouppspelningen."
Forskarna tror att med hjälp av tekniken kommer det att bli lätt att övervaka hur reven förändras över tid, för att identifiera prioriterade bevarandeområden.
Det kommer också att ge forskare en utgångspunkt för att lägga till andra data såsom mångfald och rikedom av revarter, populationsgenetik, korallers anpassningspotential till varmare vatten och lokal förorening i rev. Denna process kan så småningom leda till skapandet av en fullständig digital tvilling av ett rev.
DeepReefMap skulle också kunna användas i mangrove och andra grunda vattenmiljöer, och fungera som en guide i utforskningen av djupare marina ekosystem, säger EPFL.
"Rekonstruktionsförmågan inbyggd i vårt AI-system skulle lätt kunna användas i andra miljöer, även om det kommer att ta tid att träna de neurala nätverken för att klassificera arter i nya miljöer", säger Tuia.
Skeppsbrottskartläggning?
"Jag förväntar mig inte kommersiell användning (både i betydelsen användning i kommersiell dykning, såväl som att sälja en produkt) snart," sa Jonathan Sauder Divernet. "Metoden kommer med största sannolikhet att fortsätta att utvecklas, med mer användarvänliga versioner av öppen källkod som kommer snart.
"3D-vision är ett hett område inom maskininlärning/robotforskning. Saker och ting går extremt snabbt och jag förväntar mig att realtidskartläggning kommer att ha sitt "ChatGPT-ögonblick" inom de närmaste åren, med en plötslig utbredd tillgänglighet av mycket starka algoritmer, drivna av stora företag med till synes oändliga forsknings- och ingenjörsbudgetar, men vi kommer att ser!"
Skulle systemet kunna anpassas för 3D-kartering av skeppsvrak? "3D-kartläggningen är en inlärd algoritm – vilket betyder att den lär sig från en uppsättning träningsvideor.
I vårt scenario tränar vi kartsystemet på revvideor. Jag misstänker just nu att det skulle fungera OK-ish på skeppsvrak, men skulle kunna fungera mycket bättre om det tränas på stora mängder videor från sådana scener.
"För tillfället förväntar jag mig att den bästa metoden för att få coola 3D-rekonstruktioner av skeppsvrak fortfarande är ett konventionellt 3D-karteringsarbetsflöde för att ta många högupplösta foton, beräkna kamerans poser med en struktur-från-rörelse-programvara som Agisoft Metashape eller COLMAP, och sedan potentiellt rendera dessa snyggt som en Gaussisk Splat.”
En artikel om revkartläggningsforskningen publicerades nyligen i tidskriften Metoder i ekologi och evolution.
Även på Divernet: Världens korallrev är större än vi trodde..., 10 sätt teknik räddar koraller, Djupa korallrev är världens största kända, 18-talsdiagram visar korallförlust
