「ハロー効果：AIがサンゴ礁保護に深く関与する」

Hello Effect AI's Deep Involvement in Coral Reef Conservation

珊瑚礁の急速な衰退が世界中で進んでいる中、ハワイマノア大学の研究者たちは、空から珊瑚礁の健康を監視するAIベースの調査ツールを開発しました。

NVIDIAのGPUによって駆動された高解像度の衛星画像と深層学習モデルを使用して、研究者たちは珊瑚礁のハローと呼ばれる特徴的な砂漠の環を検出・追跡するための新しい手法を開発しました。

このRemote Sensing of Environmentジャーナルに最近掲載された研究は、リアルタイムの珊瑚礁モニタリングを可能にし、世界的な保護活動の転機となる可能性があります。

「珊瑚礁のハローは生態系の健康の指標となる可能性があります」と、ハワイ大学のポスドクフェローであり、この研究の共著者であるアメリア・マイヤーは述べています。「宇宙から見ることができるハローパターンは、科学者や保護活動家が広範で遠隔地の領域を観察する貴重な機会を提供してくれます。AIを使えば、ハローの存在と大きさを定期的に評価し、生態系の健全性を判断することができます。」

• バイトダンスとUCSDの研究者は、与えられたテキストからオブジェクト/シーンのセットのマルチビュー画像を生成することができるマルチビュー拡散モデルを提案しています
• 「リサーチアナリストになるには？ 職務内容、必要なスキル、給与」
• マイクロソフトリサーチがAIコンパイラの「ヘビーメタルカルテット」である「Rammer」「Roller」「Welder」「Grinder」をリリースしました

明瞭に見える：珊瑚礁の健康を明らかにする

以前は魚の草食によるものとされていた珊瑚礁のハローは、研究者たちの最近の発見によれば、健康な捕食者-被捕食者の生態系を示すこともあります。一部の草食性の魚は、防護珊瑚礁の周囲で藻類や海草を食べますが、ハンターは海底を掘り起こして埋もれた無脊椎動物を見つけ出し、周囲の砂を露出させます。

これらのダイナミクスは、多様な海洋生物の集団を維持するための健康な食物供給源が存在することを示しています。ハローの形状が変化すると、海洋の食物連鎖のバランスが崩れ、珊瑚礁環境が健康でない可能性があります。

熱い水の中で

海のわずか1％未満を占める珊瑚礁は、100万種以上の水生生物にとっての生息地、食物供給源、保育場を提供しています。また、年間約3750億ドルもの商業価値があり、商業漁業、観光、沿岸の嵐からの保護、薬剤発見研究のための抗ウイルス化合物の供給などにも大きな価値があります。

しかし、珊瑚礁の健康は過剰漁業、栄養源の汚染、海洋酸性化によって脅かされています。気候変動の激化に伴う温暖化海洋からの熱ストレスも、珊瑚の白化や感染症を増加させます。

世界の珊瑚礁の半分以上が既に喪失または深刻な損傷を受けており、2050年までには全ての珊瑚礁が脅威にさらされ、多くが危険な状態にあると予測されています。

AIとともに新たな地平線を切り拓く

珊瑚礁のハローの変化を見つけることは、世界的な保護活動において重要です。しかし、これらの変化を追跡することは労力と時間がかかり、研究者が年に行う調査の数を制限しています。また、遠隔地にある珊瑚礁へのアクセスも課題となります。

研究者たちは、グローバルな衛星から珊瑚礁のハローを識別・測定するAIツールを作成し、保護活動家に珊瑚礁の劣化に積極的に取り組む機会を提供しています。

彼らはPlanet SkySatの画像を使用し、2つの畳み込みニューラルネットワーク（CNN）の2つのタイプを使用する二重モデルフレームワークを開発しました。画像セグメンテーションのためのコンピュータビジョン手法に依存し、リーフとハローの境界をピクセル単位で検出するMask R-CNNモデルをトレーニングしました。珊瑚礁とハローの領域を分類・予測するために、リーフとハローを識別するU-Netモデルもトレーニングされました。

チームは、珊瑚礁モデルに数千の注釈に対してTensorFlow、Keras、PyTorchライブラリを使用してトレーニングとテストを行いました。

タスクの大規模な計算要件を処理するために、CNNはNVIDIAのRTX A6000 GPU上で動作し、cuDNNによって加速されたPyTorchフレームワークを利用しています。研究者たちはNVIDIA Academic Hardware Grant Programの参加者としてA6000 GPUを受け取りました。

AIツールは約2分で約100平方キロメートルの領域に約300のハローを素早く識別・測定します。同じタスクを人間のアノテーターが行うと約10時間かかります。このモデルはまた、場所によっては約90％の精度に達し、さまざまで複雑なハローパターンをナビゲートすることができます。

「私たちの研究は、猫や犬のような一般的なAIデータセットではなく、珊瑚礁のハローパターンにAIをトレーニングする最初の例です」とマイヤーは述べています。「数千の画像を処理するのは時間がかかるかもしれませんが、NVIDIAのGPUを使用することでプロセスを大幅に加速することができました。」

一つの課題は、画像の解像度がモデルの精度に制限を与えることです。低解像度の粗いスケールの画像では、珊瑚礁とハローの境界を見つけることが困難であり、より正確な予測ができません。

環境モニタリングの強化

「私たちの長期目標は、ハロのサイズの変化を評価し、その結果を捕食者と草食動物の個体群動態との相関関係を引き出すための強力なモニタリングツールに変えることです」とマイヤーは述べました。

この新しいアプローチにより、研究者たちは種組成、サンゴ礁の健康状態、およびハロの存在とサイズとの関係を探索しています。現在、彼らはサメとハロの関連性について調査しています。もし彼らの仮説である捕食者-被食者-ハロの相互作用が真実であると証明されれば、チームは宇宙からサメの数を推定することを予想しています。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!