Sebuah sistem kecerdasan buatan yang dikembangkan di EPFL, universitas riset publik di Lausanne, Swiss, diklaim mampu menghasilkan peta 3D terumbu karang secara detail bahkan dari rekaman video yang menyala-nyala dari penyelam amatir – dalam hitungan menit.
Data yang diperlukan untuk sistem DeepReefMap dapat dikumpulkan oleh siapa saja yang dilengkapi dengan peralatan selam standar dan kamera yang tersedia secara komersial.
Yang harus mereka lakukan hanyalah berenang perlahan di atas karang sejauh beberapa ratus meter, sambil merekam video pemandangan di bawah saat mereka berjalan.
Satu-satunya batasan adalah masa pakai baterai kamera dan jumlah udara di dalam tangki penyelam, kata EPFL, dan mengklaim bahwa pengembangan tersebut menandai “lompatan besar dalam eksplorasi laut dalam dan kemampuan konservasi untuk organisasi seperti Transnational Red Sea Center (TRSC). )” – sebuah badan penelitian ilmiah yang diselenggarakan oleh EPFL sejak 2019.
TRSC telah melakukan studi mendalam terhadap spesies karang Laut Merah yang terbukti paling tahan terhadap tekanan terkait iklim, dan inisiatifnya juga berfungsi sebagai ajang pengujian sistem DeepReefMap.
Peta dalam sekejap
Dikembangkan di Laboratorium Ilmu Komputasi Lingkungan & Pengamatan Bumi (ECEO) di Sekolah Arsitektur, Teknik Sipil & Lingkungan (ENAC) EPFL, DeepReefMap dikatakan memiliki kekuatan untuk menghasilkan beberapa ratus meter peta terumbu 3D dalam sekejap.
Tidak hanya itu, juga dapat mengenali ciri dan ciri khas karang serta mengklasifikasikannya
“Dengan sistem baru ini, siapa pun dapat berperan dalam pemetaan terumbu karang dunia,” kata koordinator proyek TRSC, Samuel Gardaz. “Ini benar-benar akan memacu penelitian di bidang ini dengan mengurangi beban kerja, jumlah peralatan dan logistik, serta biaya terkait TI.”
Memperoleh peta terumbu karang 3D dengan menggunakan metode konvensional terbukti menantang dan mahal di masa lalu, kata EPFL.
Rekonstruksi intensif secara komputasi didasarkan pada beberapa ratus gambar dari bagian terumbu yang sama dengan ukuran yang sangat terbatas (beberapa puluh meter) yang diambil dari berbagai titik referensi, dan hanya penyelam spesialis yang dapat memperoleh gambar tersebut.
Faktor-faktor ini sangat membatasi pemetaan terumbu karang di beberapa wilayah di dunia yang tidak memiliki keahlian teknis yang diperlukan, dan menghambat pemantauan terumbu karang yang luasnya mencapai beberapa kilometer, atau bahkan ratusan meter.
Rangkaian enam kamera
Meskipun data mengenai terumbu kecil dapat ditangkap dengan mudah untuk DeepReefMap oleh penyelam amatir, untuk memperoleh data pada area yang lebih luas, para peneliti EPFL telah mengembangkan struktur PVC yang dapat menampung enam kamera – tiga menghadap ke depan dan tiga di belakang. Kamera diberi jarak 1m dan pengaturannya masih dioperasikan oleh satu penyelam.
Rangkaian enam kamera ini dikatakan menawarkan opsi berbiaya rendah bagi tim selam lokal yang beroperasi dengan anggaran terbatas.
Setelah rekaman diunggah, DeepReefMap dikatakan tidak memiliki masalah dengan pencahayaan yang buruk atau difraksi dan efek kaustik yang sering ditemukan pada gambar bawah air.
“Jaringan saraf dalam belajar beradaptasi dengan kondisi ini, yang merupakan kondisi suboptimal untuk algoritma visi komputer”.
Program pemetaan 3D yang ada hanya berfungsi dengan baik dalam kondisi pencahayaan yang tepat dan dengan gambar beresolusi tinggi, dan “juga terbatas dalam hal skala”, menurut profesor ECEO Devis Tuia.
“Pada resolusi yang memungkinkan individu karang dapat diidentifikasi, peta 3D terbesar memiliki panjang beberapa meter, sehingga memerlukan banyak waktu pemrosesan,” katanya. “Dengan DeepReefMap, kami hanya dibatasi oleh berapa lama penyelam dapat bertahan di bawah air.”
Kesehatan dan bentuk
Para peneliti juga mengklaim telah membuat hidup lebih mudah bagi para ahli biologi lapangan dengan memasukkan “algoritma segmentasi semantik” yang dapat mengklasifikasikan dan mengukur karang berdasarkan dua karakteristik.
Karakteristik pertama adalah kesehatan – mulai dari warna-warni (menunjukkan kesehatan yang baik) hingga putih (menunjukkan pemutihan) dan ditutupi oleh alga (menunjukkan kematian) – dan yang kedua adalah bentuk, menggunakan skala yang diakui secara internasional untuk mengklasifikasikan jenis karang yang paling umum ditemukan. di terumbu dangkal Laut Merah (bercabang, bongkahan batu, lempeng dan lunak).
“Tujuan kami adalah mengembangkan sistem yang terbukti berguna bagi para ilmuwan yang bekerja di lapangan dan dapat diterapkan dengan cepat dan luas,” kata Jonathan Sauder, yang mengerjakan pengembangan DeepReefMap untuk tesis PhD-nya.
“Djibuti misalnya, punya garis pantai sepanjang 400 km. Metode kami tidak memerlukan perangkat keras yang mahal. Yang diperlukan hanyalah komputer dengan unit pemrosesan grafis dasar. Segmentasi semantik dan rekonstruksi 3D terjadi pada kecepatan yang sama dengan pemutaran video.”
Para peneliti percaya bahwa dengan menggunakan teknologi ini akan lebih mudah untuk memantau perubahan terumbu dari waktu ke waktu, untuk mengidentifikasi kawasan konservasi prioritas.
Hal ini juga akan memberikan para ilmuwan titik awal untuk menambahkan data lain seperti keanekaragaman dan kekayaan spesies terumbu karang, genetika populasi, potensi adaptif karang terhadap perairan yang lebih hangat, dan polusi lokal pada terumbu karang. Proses ini pada akhirnya dapat mengarah pada terciptanya terumbu karang kembaran digital.
DeepReefMap juga dapat digunakan di hutan bakau dan habitat perairan dangkal lainnya, dan berfungsi sebagai panduan dalam eksplorasi ekosistem laut yang lebih dalam, kata EPFL.
“Kemampuan rekonstruksi yang dibangun dalam sistem AI kami dapat dengan mudah diterapkan di lingkungan lain, meskipun perlu waktu untuk melatih jaringan saraf guna mengklasifikasikan spesies di lingkungan baru,” kata Tuia.
Pemetaan kapal karam?
“Saya tidak mengharapkan penggunaan komersial (baik dalam arti penggunaan dalam penyelaman komersial, maupun untuk menjual produk) dalam waktu dekat,” kata Jonathan Sauder. penyelam. “Metode ini kemungkinan besar akan terus dikembangkan, dengan rilis sumber terbuka yang lebih ramah pengguna akan segera hadir.
“Visi 3D adalah bidang yang menarik dalam penelitian pembelajaran mesin/robotika. Segala sesuatunya bergerak sangat cepat dan saya berharap pemetaan real-time akan memiliki 'momen ChatGPT' dalam beberapa tahun ke depan, dengan ketersediaan algoritma yang sangat kuat yang tersebar luas secara tiba-tiba, didorong oleh perusahaan-perusahaan besar dengan anggaran penelitian dan rekayasa yang tampaknya tak terbatas, namun kami akan melakukannya. melihat!"
Bisakah sistem ini diadaptasi untuk pemetaan 3D bangkai kapal? “Pemetaan 3D adalah algoritma yang dipelajari – artinya ia belajar dari serangkaian video pelatihan.
Dalam skenario kami, kami melatih sistem pemetaan pada video terumbu karang. Saya menduga saat ini ini akan berfungsi dengan baik pada kapal karam, tetapi dapat bekerja lebih baik jika dilatih pada video dalam jumlah besar dari adegan tersebut.
“Untuk saat ini, saya berharap metode terbaik untuk mendapatkan rekonstruksi 3D bangkai kapal yang keren adalah dengan menggunakan alur kerja pemetaan 3D konvensional dengan mengambil banyak foto beresolusi tinggi, menghitung pose kamera dengan perangkat lunak Structure-from-Motion seperti Agisoft Metashape atau COLMAP, dan kemudian berpotensi menjadikannya sebagai Gaussian Splat.”
Sebuah makalah tentang penelitian pemetaan terumbu baru-baru ini diterbitkan di jurnal Metode Dalam Ekologi Dan Evolusi.
Juga di Divernet: Terumbu karang dunia lebih besar dari yang kita duga…, 10 cara teknologi menyelamatkan karang, Terumbu karang dalam adalah yang terbesar yang diketahui di dunia, Peta abad ke-18 mengungkap hilangnya karang
