Continuous and Differentiable Neural Network Representations of the Surfzone Sea-Surface from Lidar Point Clouds

Die Meeresoberfläche ist niemals still. Sie ist eine rastlose, sich ständig verändernde Landschaft aus rollenden Dünungen, brechenden Wellen und aufgewühltem Schaum, die sich ständig selbst neu formt, während Energie aus der Tiefsee in Richtung Küste wandert. Für Wissenschaftler, die diese Wellen untersuchen, ist es entscheidend zu verstehen, wie genau sich das Wasser bewegt. Sie müssen nicht nur die Höhe einer Welle kennen, sondern auch, wie schnell sie reist, wie steil ihre Flanke ist und wie sie ihre Form verändert, während sie bricht. Traditionell haben Forscher Bojen genutzt, die an einem festen Punkt auf und ab wogen, oder Kameras, die aus der Ferne Bilder aufnahmen. Obwohl diese Werkzeuge nützlich sind, haben sie oft Schwierigkeiten, die dreidimensionale Komplexität einer brechenden Welle vollständig zu erfassen, insbesondere in der turbulenten Zone, in der das Wasser am Strand aufschlägt. Um ein klareres Bild zu erhalten, haben Wissenschaftler auf mit Lasern montierte Drohnen zurückgegriffen, die die Wasseroberfläche scannen und eine Wolke aus Millionen winziger Punkte erzeugen können, wobei jeder Punkt einen spezifischen Ort in Raum und Zeit markiert. Diese Rohdaten sind jedoch ungeordnet und verstreut; um sie nutzbar zu machen, müssen Forscher die Punkte normalerweise in ein starres Gitter zwingen, ähnlich wie beim Versuch, unregelmäßige Puzzleteile in einen quadratischen Rahmen einzupassen, was wichtige Details glätten oder Fehler einführen kann.

Ein Forschungsteam des Scripps Institution of Oceanography hat einen anderen Weg gefunden, mit diesen Daten umzugehen, bei dem das Gitter gänzlich vermieden wird. Anstatt die Laserpunkte in eine kastenartige Struktur zu pressen, nutzten sie eine Art von künstlicher Intelligenz, ein neuronales Netz, um die Form der Meeresoberfläche direkt aus den verstreuten Punkten zu erlernen. Stellen Sie sich dieses Netzwerk wie einen Schüler vor, dem man eine Million verstreuter Punkte zeigt und der die Aufgabe stellt, eine glatte, kontinuierliche Linie zu zeichnen, die sie alle verbindet – nicht nur an den Punkten selbst, sondern überall dazwischen. Die Forscher testeten diese Methode über einer felsigen Küste in Monterey, Kalifornien, wo eine Drohne massive, vier Meter hohe Wellen scannte. Das Ergebnis war ein digitales Modell des Meeres, das glatt und kontinuierlich ist und es den Wissenschaftlern ermöglicht, die Geschwindigkeit und die Steigung des Wassers an jedem beliebigen Punkt zu berechnen, selbst an Stellen, an denen die Drohne keine direkte Messung vorgenommen hat.

Das Experiment fand in der Nähe eines felsigen Kap namens China Rock statt, wo der Meeresboden steil abfällt und die Wellen mit erheblicher Kraft brechen. Eine Drohne, die mit einem speziellen Laserscanner ausgestattet war, schwebte in einer Höhe von 33 Metern und feuerte zehnmal pro Sekunde Lichtstrahlen auf die Wasseroberfläche ab. Diese Strahlen wurden von der Wasseroberfläche reflektiert und kehrten zur Drohne zurück, wodurch eine massive Sammlung von Datenpunkten entstand, welche die Höhe der Wellen in drei Dimensionen kartierten. Die Forscher konzentrierten sich auf ein Zeitfenster von 60 Sekunden dieser Daten und hielten so den Moment fest, in dem eine große Welle heranrollte, steiler wurde und schließlich brach. In diesem kurzen Zeitraum sammelte die Drohne etwa 4,5 Millionen einzelne Punkte, aber diese Punkte waren nicht gleichmäßig verteilt; sie waren direkt unter der Drohne am dichtesten und wurden zu den Rändern des Scans hin immer spärlicher.

Um diese verstreute Punktwolke in ein nützliches Bild des Ozeans zu verwandeln, trainierte das Team ein neuronales Netz, ein Computerprogramm, das darauf ausgelegt ist, Muster zu erkennen. Sie speisten die Koordinaten jedes einzelnen Punktes sowie die Höhe des Wassers an dieser Stelle in das Netzwerk ein. Die Aufgabe des Netzwerks bestand darin, eine mathematische Funktion zu finden, die die Wasserhöhe an jedem beliebigen Ort und zu jeder beliebigen Zeit vorhersagen kann, nicht nur dort, wo der Laser getroffen hat. Im Gegensatz zu traditionellen Methoden, die die Punkte in ein Gitter mitteln würden, lernte dieses Netzwerk, eine glatte, fließende Oberfläche zu erzeugen, die durch die Datenpunkte verläuft, ohne in eine starre Struktur gezwungen zu werden. Die Forscher fanden heraus, dass dieser Ansatz bemerkenswert gut funktionierte. Das von ihm erzeugte digitale Modell entsprach den tatsächlichen Wellenformen, die in den Lasardaten zu sehen waren, und erfasste sowohl den Anstieg des Wellenkamms als auch den steilen Abfall seiner Flanke. Es gelang dem Modell zudem, das chaotische Rauschen von Gischt und Spritzwasser herauszufiltern, das andere Messwerkzeuge oft verwirrt, und hinterließ so ein klares Bild der Hauptwellenstruktur.

Einer der bedeutendsten Funde war, dass diese Methode selbst in Bereichen genau blieb, in denen die Datenlage dünn war. Da das Netzwerk die allgemeine Form der Welle gelernt hatte, konnte es die Wasserhöhe in Lücken abschätzen, in denen die Drohne nur wenige oder gar keine Punkte gesammelt hatte. Als die Forscher das Modell mit Daten testeten, die es während des Trainings nicht gesehen hatte, waren die Fehler gering und entsprachen den natürlichen Einschränkungen des Laserinstruments selbst. Sie testeten auch die Zuverlässigkeit der Methode, indem sie zwei separate Netzwerke mit exakt denselben Daten trainierten. Die beiden Modelle lieferten nahezu identische Ergebnisse und unterschieden sich an den meisten Stellen nur um wenige Zentimeter. In den sehr spärlichen Bereichen, in denen die Drohne fast keine Daten gesammelt hatte, begannen die beiden Modelle jedoch leicht voneinander abzuweichen, was darauf hindeutet, dass die Methode zwar robust ist, aber dennoch darauf angewiesen ist, genügend Informationen zu besitzen, um die Form der Welle zu erlernen.

Die wahre Stärke dieses neuen Ansatzes liegt in seiner Fähigkeit, zu berechnen, wie sich die Welle verändert. Da das digitale Modell eine glatte, kontinuierliche Funktion ist, konnten die Forscher problemlos berechnen, wie schnell sich das Wasser auf und ab bewegte oder wie steil die Wellenflanke in einem bestimmten Moment war. In dem untersuchten 60-Sekunden-Fenster konnten sie eine Wellenkrone verfolgen, die sich mit einer Geschwindigkeit von etwa 8,75 Metern pro Sekunde auf das Ufer zubewegte – ein Wert, der den theoretischen Vorhersagen für Wellen dieser Größe und Tiefe entsprach. Sie konnten auch beobachten, wie sich die Welle veränderte, während sie sich bewegte, und notierten, wie der Wellenkamm höher und steiler wurde, bevor er brach. Dieser Detailgrad ist mit traditionellen gitterbasierten Methoden schwer zu erreichen, da diese oft Schwierigkeiten haben, diese Änderungsraten präzise zu berechnen, insbesondere an den steilen, sich schnell verändernden Flanken brechender Wellen.

Die Forscher räumen ein, dass diese Methode nicht ohne Herausforderungen ist. Das Training des neuronalen Netzes dauerte auf Standard-Computerhardware etwa 30 Minuten für nur 60 Sekunden an Daten, was signifikant länger ist als die Zeit, die benötigt wird, um Daten einfach in ein Gitter zu sortieren. Wenn Wissenschaftler eine Stunde an Wellendaten analysieren wollten, müssten sie das Netzwerk über viele Stunden hinweg trainieren oder mehrere Computer parallel laufen lassen. Zudem funktioniert die Methode am besten, wenn eine beträchtliche Menge an Daten zum Lernen vorhanden ist; in Bereichen, in denen das Wasser sehr klar ist und der Laser nur sehr wenige Punkte zurückgibt, könnte die Genauigkeit des Modells abnehmen. Trotz dieser Einschränkungen zeigt die Studie, dass die Verwendung von neuronalen Netzen zur Darstellung der Meeresoberfläche ein leistungsstarkes neues Werkzeug bietet. Es liefert eine kontinuierliche, glatte und hochdetaillierte Sicht auf das Meer, die an jedem Punkt in der Zeit und im Raum analysiert werden kann, und öffnet damit die Tür zu einem tieferen Verständnis dafür, wie Wellen sich verhalten, wenn sie an die Küste schlagen.