Brug af AI til at kortlægge havmiljøer

Sonar bruges ofte til at kortlægge havbunden, og havbundssammensætning (f.eks. mudder, ler eller sten) påvirker den måde, lyden reflekteres tilbage på. Saltholdighed, dybde og vandtemperatur påvirker også, hvordan lydbølger forplantes gennem vand.

Det betyder, at ekkolodsmålinger i forskellige dybder og afstande kan give nøjagtige sonderinger af havets egenskaber, for eksempel hvordan undervandsstrømme forplanter sig, hvordan det dybere hav ændrer sig med klimaet eller hvor man bedst kan lytte til hvaler.

Arbejder med Systems Engineering &Assessment Ltd (SEA), forskere ved Universitetets Institut for Matematisk Innovation (IMI) har udviklet en kunstig intelligens (AI) algoritme, som kan forbedre undervandskortlægningen ved at give mening i ufuldstændige data og regne ud, hvor mange målinger der er nødvendige for at give en nøjagtig undersøgelse.

Forskningen var en del af et projekt indgået af The Defence and Security Accelerator (DASA), en del af Forsvarsministeriet, at forbedre overvågningen af ​​Storbritanniens store havterritorier ved hjælp af højteknologisk sonar. SEA ledede projektet og leverede simulerede ekkolodsdata til at træne og teste AI-algoritmerne udviklet af IMI.

Teknologien kan også potentielt bruges til havtomografi på tværs af hele havbassiner, ligesom Arktis, at studere virkningerne af klimaændringer på havene og bedre muliggøre bæredygtigheden af ​​menneskelige aktiviteter i skrøbelige miljøer og økosystemer.

Universitetslektor Dr. Philippe Blondel, fra Universitetets Center for Rum, Atmosfærisk og oceanisk videnskab, arbejdet på projektet sammen med maskinlæringsekspert professor Mike Tipping fra IMI.

Dr. Blondel sagde:"Der er mange forskellige variabler, der påvirker, hvordan lydbølger forplantes i vand, da nogle lydfrekvenser kan rejse længere end andre.

"Hvis du tænker på lyden af ​​et orkester, når du bevæger dig længere væk, du kan miste den højfrekvente lyd fra violinerne, men stadig være i stand til at høre de lavere frekvenstoner fra celloer. Trommernes slag ville kunne mærkes endnu mere.

"Dette er det samme med havlyde, som kommer fra vejret, som regn og storm, dyrene, som hvaler og fisk, men også mennesker, med skibe og offshore aktiviteter.

"Til dette projekt ønskede vi at modellere, hvordan ekkolods ekkoer blev ændret af dybden, saltindhold og temperatur, så vi kunne bruge lyd til at måle disse variabler i havet. "

Forskerne analyserede først de mange karakteristika ved undervandsmiljøer og klassificerede dem i forskellige typer.

De brugte Probabilistic Generative Modeling til at udvikle flere AI-algoritmer til at identificere undervandsmiljøer.

Efter at have udviklet AI-algoritmen, forskerne testede dens ydeevne på en bred vifte af simulerede akustiske data, der repræsenterer et bredt spektrum af undervandsmiljøer.

Testene viste, at deres Probabilistic Principal Component Analysis (PPCA) algoritme kunne klassificere undervandsmiljøer fra simulerede sonarmålinger med en gennemsnitlig nøjagtighed på 93 %.

En alternativ Latent Variable Gaussian Process (LVGP) model viste også stærk ydeevne og satte dem i stand til at opnå en endnu højere klassificeringsnøjagtighed på 96 %.

Simuleringerne viste, at nøjagtig klassificering kan finde sted selv med sonarmålinger over korte rumlige intervaller, gør den velegnet til praktisk brug f.eks. med langsomt kørende autonome køretøjer.

Marcus Donnelly, Technical Lead in Environmental Data Science hos SEA Ltd, sagde:"Dette projekt oversteg alle vores forventninger til AI-algoritmer anvendt på kompleksiteten af ​​ekkolod i undervandsmiljøet.

"Vi ser frem til at fortsætte vores samarbejde med IMI efter positiv feedback fra MoD."

Forskerne forventer, at teknikken kan bruges i fremtiden til at overvåge virkningerne af klimaændringer.

Dr. Blondel sagde:"Klimaforskere overvåger lydudbredelsen i havet omkring polerne for at observere temperaturændringer over tid. Vores teknikker kan hjælpe med at bestemme, hvor man bedst kan placere overvågningsstationer for at give de mest omfattende data ved hjælp af det optimale antal målinger."