Usare l’intelligenza artificiale per mappare le barriere coralline a tempo di record

- EN- DE- FR- IT
Le telecamere sono posizionate su una struttura che permette di prelevare dati d
Le telecamere sono posizionate su una struttura che permette di prelevare dati da un’ampia striscia di corallo © 2024 Lukasz Warzecha © LWimages
Basandosi sulle immagini riprese dalle telecamere, un’intelligenza artificiale sviluppata all’EPFL è in grado di ricostruire le barriere coralline in 3D in pochi minuti. Una piccola rivoluzione per le missioni di studio e conservazione dei fondali marini, come quelle del Centro transnazionale del Mar Rosso.

Anche se possono apparire in secondo piano negli scatti di pesci luccicanti degli appassionati di immersioni, i coralli sono in primo piano nella mente di molti scienziati, dato il loro fondamentale ruolo ecologico. Questi animali dallo scheletro calcareo sono tra gli ecosistemi più diversificati del pianeta: pur coprendo meno dello 0,1% della superficie totale degli oceani, ospitano quasi un terzo delle specie marine conosciute. Hanno anche un grande impatto sulla vita delle persone in molti Paesi che si affacciano sulla barriera corallina: secondo uno studio della US Oceanic and Atmospheric Administration, fino a mezzo miliardo di persone in tutto il mondo dipendono dalle barriere coralline per la loro sicurezza alimentare e per il reddito legato al turismo. Minacciati in particolare dall’aumento della temperatura degli oceani e dall’inquinamento antropico locale, che ne causano lo sbiancamento e la morte, i coralli sono oggetto di studi approfonditi come quelli condotti dal Transnational Red Sea Center (TRSC), che mira a svelare i segreti delle specie del Mar Rosso particolarmente resistenti agli stress del cambiamento climatico. Nell’ambito di questa missione, guidata dall’EPFL*, è stata testata DeepReefMap, un’intelligenza artificiale sviluppata dal Laboratorio di scienze computazionali per l’ambiente e l’osservazione della Terra (ECEO).È in grado di ricostruire in 3D diverse centinaia di metri di barriera corallina sulla base di un filmato subacqueo ripreso da una telecamera commerciale in pochi minuti. È inoltre in grado di riconoscere e quantificare alcune caratteristiche dei coralli. "Questo metodo democratizza la ricostruzione digitale delle barriere coralline e dà un notevole impulso al loro monitoraggio, riducendo i costi di lavoro, attrezzature, logistica e IT", sottolinea Samuel Gardaz, responsabile del progetto TRSC. La ricerca è stata pubblicata su Methods in Ecology and Evolution.

I subacquei locali possono acquisire i dati in modo semplice

Ottenere una barriera corallina in 3D con i metodi abituali non è facile: le costose ricostruzioni, molto intensive in termini di analisi computazionale, si basano su diverse centinaia di immagini della stessa porzione di barriera corallina di dimensioni molto limitate (poche decine di metri), scattate con molti punti di riferimento diversi, e richiedono il lavoro di uno specialista per ottenerle. Questi fattori limitano fortemente l’applicazione di questi metodi nei Paesi che non dispongono delle competenze tecniche necessarie e impediscono il monitoraggio di ampie sezioni di barriera corallina (centinaia di metri o addirittura chilometri).

L’intelligenza artificiale sviluppata all’EPFL consente ai subacquei non specialisti di acquisire facilmente questi dati. Con le telecamere disponibili in commercio, essi si muovono lentamente su una striscia di barriera corallina per diverse centinaia di metri, raccogliendo immagini limitate solo dalla batteria della telecamera o dall’aria della bombola. Per ampliare la zona di acquisizione, gli scienziati hanno installato tre telecamere su una struttura in PVC a intervalli di circa 1 metro, che riprendono sia in avanti che all’indietro e che possono essere azionate da una sola persona. Le squadre locali, che spesso dispongono di poche risorse, potranno utilizzare questo sistema a costi molto bassi e su ampie sezioni di barriera corallina. "Una vera rivoluzione nel mondo della conservazione degli ecosistemi", afferma Guilhem Banc-Prandi, ricercatore post-dottorato presso il Laboratorio di geochimica biologica dell’EPFL e direttore scientifico del TRSC.

Una volta scaricate le immagini, DeepReefMap, veloce e agile, tiene conto delle difficili condizioni di illuminazione, della diffrazione e degli effetti caustici caratteristici delle immagini subacquee. Le reti neurali profonde imparano ad adattarsi ad ambienti non ottimali per gli algoritmi di visione artificiale. I programmi utilizzati finora per le ricostruzioni 3D non solo funzionano in modo affidabile solo con condizioni di illuminazione precise e sulla base di immagini ad alta risoluzione, ma "sono anche limitati in termini di scala: a una risoluzione che consente di identificare i coralli, le ricostruzioni 3D più grandi coprono alcune decine di metri di lunghezza, richiedendo un tempo di calcolo significativo", spiega Devis Tuia, professore del laboratorio ECEO. Con DeepReefMap, siamo limitati solo dal tempo di immersione".

L’obiettivo era proprio quello di soddisfare le esigenze degli scienziati e dei conservazionisti che lavorano sul campo con uno strumento che può essere utilizzato su larga scala e molto rapidamente: a Gibuti, ad esempio, ci sono 400 km di costa.

Jonathan Sauder

Classificazione dei coralli in base al loro stato di salute e alla loro forma

Per facilitare ulteriormente il lavoro dei colleghi biologi che operano sul campo, gli scienziati hanno incluso algoritmi di segmentazione semantica per classificare e quantificare i coralli in base al loro stato di salute - da quelli sani, cioè molto colorati, a quelli morti e ricoperti di alghe, fino al bianco dello sbiancamento - e per identificare le forme di crescita dei coralli più comuni nelle barriere coralline.Abbiamo anche identificato le forme di crescita dei coralli più comuni nelle scogliere poco profonde del Mar Rosso, secondo una gerarchia riconosciuta a livello internazionale: ramificati, massicci, duri, molli, ecc. - L’obiettivo era davvero quello di rispondere alle esigenze degli scienziati e dei conservazionisti che lavorano sul campo con uno strumento che può essere impiegato su larga scala e molto rapidamente: a Gibuti, ad esempio, ci sono 400 km di costa", sottolinea Jonathan Sauder, che ha fatto dello sviluppo di questa IA l’oggetto della sua tesi di dottorato. "Il nostro metodo non richiede una costosa infrastruttura informatica: su un computer dotato di una semplice unità di elaborazione grafica, la segmentazione semantica e la ricostruzione 3D possono essere ottenute nello stesso tempo del video".

Verso un gemello digitale della barriera corallina

"Questa facilità di implementazione ci permetterà di monitorare i cambiamenti della barriera corallina nel tempo per identificare le aree prioritarie di conservazione. Una rapida quantificazione della loro composizione e salute è essenziale per comprendere meglio la loro evoluzione nell’attuale contesto di rapidi sconvolgimenti ambientali", conferma Guilhem Banc-Prandi. Il nuovo metodo di mappatura 3D fornirà ad altri scienziati una base su cui aggiungere dati sulla diversità e la ricchezza delle specie della barriera corallina, sulla genetica delle popolazioni, sul potenziale di adattamento dei coralli alle acque più calde e sull’inquinamento locale della barriera, per arrivare a un gemello digitale. DeeReefMapping può essere trasposto anche in altri ambienti subacquei poco profondi, come gli ecosistemi sommersi delle mangrovie, o per guidare l’esplorazione di ambienti più profondi: "la parte di ricostruzione della nostra IA può essere facilmente utilizzata in altri contesti, ma le reti neurali hanno bisogno di tempo per essere addestrate a classificare in nuovi luoghi", conclude Devis Tuia.

* Laboratorio di geochimica biologica dell’EPFL e TRSC

Riferimenti

Jonathan Sauder, Guilhem Banc-Prandi, Anders Meibom, Devis Tuia, Scalable Semantic 3D Mapping of Coral Reefs with Deep Learning. Methods in Ecology and Evolution 14 marzo 2024. DOI: 10.1111/2041-210X.14307