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

La superficie dell'oceano non è mai immobile. È un paesaggio inquieto e mutevole di ondeggianti flutti, frangenti che si infrangono e schiuma ribollente, che si rimodella costantemente mentre l'energia si sposta dal mare aperto verso la riva. Per gli scienziati che studiano queste onde, comprendere esattamente come si muova l'acqua è essenziale. Devono sapere non solo l'altezza di un'onda, ma anche quanto velocemente viaggi, quanto sia ripida la sua faccia e come cambi forma mentre si frange. Tradizionalmente, i ricercatori hanno utilizzato boe che ondeggiano in un punto o telecamere che scattano foto da distanza. Sebbene utili, questi strumenti spesso faticano a catturare la complessità tridimensionale completa di un'onda che si frange, specialmente nella zona turbolenta dove l'acqua si abbatte sulla spiaggia. Per ottenere un quadro più chiaro, gli scienziati si sono rivolti a laser montati su droni, che possono scansionare la superficie dell'acqua e creare una nuvola di milioni di minuscoli punti, ognuno dei quali segna una specifica posizione nello spazio e nel tempo. Tuttavia, questo dato grezzo è disordinato e disperso; per dargli un senso, i ricercatori devono solitamente forzare i punti in una griglia rigida, come cercare di inserire pezzi di un puzzle irregolare in una cornice quadrata, il che può smussare dettagli importanti o introdurre errori.

Un team di ricercatori della Scripps Institution of Oceanography ha trovato un modo diverso per gestire questi dati, uno che evita completamente la griglia. Invece di forzare i punti laser in una struttura squadrata, hanno utilizzato un tipo di intelligenza artificiale chiamata rete neurale per apprendere la forma della superficie oceanica direttamente dai punti dispersi. Pensate a questa rete come a uno studente a cui vengono mostrati un milione di puntini sparsi e a cui viene chiesto di disegnare una linea continua e fluida che li connetta tutti, non solo in corrispondenza dei punti, ma ovunque tra di essi. I ricercatori hanno testato questo metodo sopra una costa rocciosa a Monterey, in California, dove un drone ha sorvolato l'area scansionando enormi onde alte quattro metri. Il risultato è stato un modello digitale del mare che è fluido e continuo, permettendo agli scienziati di calcolare la velocità e la pendenza dell'acqua in qualsiasi singolo punto, anche in luoghi in cui il drone non ha effettuato una misurazione diretta.

L'esperimento si è svolto vicino a un promontorio roccioso noto come China Rock, dove il fondale oceanico scende bruscamente e le onde si infrangono con forza significativa. Un drone dotato di uno scanner laser specializzato ha sorvolato l'area a un'altitudine di 33 metri, proiettando fasci di luce sulla superficie dell'acqua dieci volte al secondo. Questi fasci sono rimbalzati sull'acqua e sono tornati al drone, creando una massiccia collezione di punti dati che mappavano l'altezza delle onde in tre dimensioni. I ricercatori si sono concentrati su una finestra di 60 secondi di questi dati, catturando il momento in cui un'onda grande è avanzata, si è incurvata e infine si è infranta. In questa breve raffica di tempo, il drone ha raccolto circa 4,5 milioni di punti individuali, ma questi punti non erano distribuiti uniformemente; erano più densi direttamente sotto il drone e diventavano più radi verso i bordi della scansione.

Per trasformare questa nuvola di punti dispersi in un'immagine utile dell'oceano, il team ha addestrato una rete neurale, un programma informatico progettato per riconoscere modelli. Hanno fornito alla rete le coordinate di ogni singolo punto e l'altezza dell'acqua in quel punto. Il compito della rete era quello di trovare una funzione matematica che potesse predire l'altezza dell'acqua in qualsiasi posizione e momento, non solo dove il laser aveva colpito. A differenza dei metodi tradizionali che farebbero la media dei punti in una griglia, questa rete ha imparato a creare una superficie fluida e continua che passasse attraverso i punti dati senza essere costretta in una struttura rigida. I ricerc 아니 ricercatori hanno scoperto che questo approccio funzionava sorprendentemente bene. Il modello digitale prodotto corrispondeva alle forme reali delle onde osservate nei dati laser, catturando l'innalzamento della cresta dell'onda e la ripida discesa della sua faccia. Ha inoltre filtrato con successo il caos del pulviscolo marino e degli schizzi d'acqua, che spesso confondono altri strumenti di misurazione, lasciando dietro di sé un'immagine chiara della struttura principale dell'onda.

Uno dei risultati più significativi è stato che questo metodo rimaneva accurato anche nelle aree in cui i dati erano scarsi. Poiché la rete aveva appreso la forma generale dell'onda, poteva stimare l'altezza dell'acqua nei vuoti in cui il laser del drone aveva pochi o nessun punto. Quando i ricercatori hanno testato il modello contro dati che non aveva visto durante l'addestramento, gli errori erano piccoli, paragonabili ai limiti naturali dello strumento laser stesso. Hanno anche testato l'affidabilità del metodo addestrando due reti separate sugli stessi identici dati. I due modelli hanno prodotto risultati quasi identici, differendo di solo pochi centimetri nella maggior parte dei punti. Tuttavia, nelle aree estremamente scarse dove il drone aveva raccolto quasi nessun dato, i due modelli hanno iniziato a divergere leggermente, suggerendo che, sebbene il metodo sia robusto, esso dipende ancora dal fatto di avere informazioni sufficienti per apprendere la forma dell'onda.

Il vero potere di questo nuovo approccio risiede nella sua capacità di calcolare come l'onda stia cambiando. Poiché il modello digitale è una funzione continua e fluida, i ricercatori potevano facilmente calcolare quanto velocemente l'acqua si muoveva verso l'alto o verso il basso, o quanto fosse ripida la faccia dell'onda in un momento specifico. Nella finestra di 60 secondi studiata, sono stati in grado di tracciare un'onda che si muoveva verso la riva a una velocità di circa 8,75 metri al secondo, un valore che corrispondeva alle previsioni teoriche per onde di quelle dimensioni e profondità. Potevano anche vedere come l'onda cambiasse forma mentre avanzava, notando come la cresta crescesse in altezza e in pendenza prima di infrangersi. Questo livello di dettaglio è difficile da raggiungere con i metodi tradizionali basati su griglia, che spesso faticano a calcolare accuratamente questi tassi di variazione, specialmente sulle facce ripide e rapidamente mutevoli delle onde che si infrangono.

I ricercatori riconoscono che questo metodo non è privo di sfide. L'addestramento della rete neurale ha richiesto circa 30 minuti su hardware informatico standard per soli 60 secondi di dati, il che è significativamente più lungo del tempo necessario per ordinare semplicemente i dati in una griglia. Se gli scienziati volessero analizzare un'ora di dati sulle onde, dovrebbero addestrare la rete per molte ore, o eseguire più computer in parallelo. Inoltre, il metodo funziona meglio quando c'è una quantità discreta di dati da cui imparare; nelle aree in cui l'acqua è molto limpida e il laser restituisce pochissimi punti, l'accuratezza del modello potrebbe diminuire. Nonostante queste limitazioni, lo studio dimostra che l'uso delle reti neurali per rappresentare la superficie dell'oceano offre un potente nuovo strumento. Esso fornisce una visione continua, fluida e altamente dettagliata del mare che può essere analizzata in qualsiasi punto nel tempo e nello spazio, aprendo la porta a una comprensione più profonda di come le onde si comportano mentre si infrangono sulla riva.