VolgendeVolgende gids
AI bij het monitoren van de luchtkwaliteit
Toepassingen
ToepassingenGIDS
AI analyseert onderwaterbeelden, video- en sensorgegevens om de gezondheid, verbleking en biodiversiteit van koraal te volgen op een schaal die geen enkel menselijk duikteam kan evenaren.
Luister naar deze gidsAI-verteld · ~2 min
Het is van belang omdat riffen snel instorten en beslissingen over natuurbehoud afhankelijk zijn van tijdige, nauwkeurige gegevens.
Koraalriffen worden onderzocht met fototransecten, gesleepte camera's, autonome onderwatervoertuigen en zelfs satellieten, waardoor veel meer beelden worden gegenereerd dan wetenschappers handmatig kunnen labelen. Convolutionele neurale netwerken en moderne visietransformatoren classificeren het percentage levend koraal, algen, zand en puin in elk beeld, identificeren koraalgeslachten en detecteren verbleking door het bleke, witte weefsel op te merken dat stress signaleert. Tools zoals CoralNet automatiseren puntannotatie waar experts ooit weken over deden. AI combineert ook riffoto's met van satellieten afgeleide zeeoppervlaktetemperaturen om riffen te markeren die een dreigend verblekingsrisico lopen. Het resultaat is een snellere, herhaalbare, gestandaardiseerde monitoring waarmee managers riffen over jaren en regio’s kunnen vergelijken, prioriteit kunnen geven aan herstel en kunnen meten of interventies daadwerkelijk werken.
CoralNet maakt gebruik van machinaal leren om benthische onderzoeksfoto's automatisch te annoteren, waarbij de live koraalbedekking op basis van duizenden afbeeldingen wordt geschat.
De Allen Coral Atlas combineert satellietbeelden en AI om ondiepe riffen wereldwijd in kaart te brengen en bleekgebeurtenissen te detecteren.
Reef Check en soortgelijke programma's gebruiken AI-ondersteunde beeldanalyse om burgerwetenschappelijke transectgegevens op te schalen.
Autonome onderwatervoertuigen op het Great Barrier Reef rijden aan boord van classificatoren om tijdens onderzoeken koraalsoorten en doornenkroon-zeesterren te identificeren.
Verwacht realtime gevolgtrekkingen op voertuigen waarbij AUV's en ROV's riffen classificeren terwijl ze zwemmen, plus 3D-fotogrammetriemodellen die de structurele complexiteit in de loop van de tijd volgen. Akoestische sensoren in combinatie met AI zullen de gezondheid van het rif meten aan de hand van het geluidslandschap, en funderingsmodellen die zijn getraind op miljoenen rifbeelden zouden de behoefte aan locatiespecifieke labeling moeten verminderen. Een nauwere integratie met vroegtijdige waarschuwingsvoorspellingen zal managers in staat stellen actie te ondernemen vóór de massale sterfte, en deze niet alleen te documenteren.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
AI analyseert onderwaterbeelden, video- en sensorgegevens om de gezondheid, verbleking en biodiversiteit van koraal te volgen op een schaal die geen enkel menselijk duikteam kan evenaren. Het is van belang omdat riffen snel instorten en beslissingen over natuurbehoud afhankelijk zijn van tijdige, nauwkeurige gegevens.
Gebleekt koraal stoot zijn kleurrijke symbiotische algen uit en wordt wit, dus detectoren richten zich op een verschuiving naar hoge helderheid en lage kleurverzadiging.
CoralNet automatiseert de puntannotatie van rifbeelden die experts ooit handmatig deden, waarbij de koraalbedekking werd geschat op basis van grote fotosets.
Moderne onderzoeken genereren enorme hoeveelheden beelden, veel meer dan wetenschappers handmatig kunnen classificeren, dus schaalt AI de analyse op.
De Allen Coral Atlas combineert satellietbeelden met AI om ondiepe riffen wereldwijd in kaart te brengen en het bleken van vlaggen te voorkomen.
Verschillen in water, licht, diepte en camera-instellingen zorgen ervoor dat het uiterlijk varieert, dus modellen hebben uiteenlopende gegevens en kleurcorrectie nodig om te generaliseren.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
AI bij het monitoren van de luchtkwaliteit
Toepassingen