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

海洋の表面が静止していることは決してありません。それは、うねり、砕ける波、そして泡立つ波が絶えず形を変えながら、深海から岸に向かってエネルギーが移動するにつれて、常に自らを再構築していく、落ち着きのない、変化し続ける風景です。これらの波を研究する科学者にとって、水がどのように動いているかを正確に理解することは不可に欠です。彼らは単に波の高さを知るだけでなく、それがどれほどの速さで移動しているのか、その面の傾斜がどれほど急なのか、そして砕ける際にどのように形を変えるのかを知る必要があります。伝統的に、研究者は一箇所に漂うブイや、離れた場所から写真を撮るカメラを使用してきました。これらは有用ではありますが、特に水がビーチに打ち寄せる激しい領域において、砕ける波の三次元的な複雑さを完全に捉えることには苦慮することがよくあります。より鮮明な全体像を得るために、科学者たちはドローンに取り付けられたレーザーを利用し、水面をスキャンして、空間と時間の特定の場所を示す数百万もの微小な点の集合（点群）を作成してきました。しかし、この生のデータは乱雑で散らばっており、それを理解するためには、通常、不規則なパズルのピースを正方形の枠に無理やり押し込むように、点を硬直した格子状のグリッドに強制的に当てはめなければなりません。これは重要な詳細を滑らかにしてしまったり、誤差を生じさせたりすることがあります。

スクリプス海洋研究所の研究チームは、このデータを扱うための異なる方法、つまりグリッドを一切使わない方法を見出しました。レーザーの点を箱型の構造に押し込める代わりに、彼らはニューラルネットワークと呼ばれる一種の人工知能を使用して、散らばった点から直接、海洋表面の形状を学習させました。このネットワークを、数百万個の散らばった点を見せられ、それら全ての点だけでなく、点と点の間のあらゆる場所を結ぶ滑らかで連続的な線を引くよう求められた学生だと考えてみてください。研究者たちは、カリフォルニア州モントレーにある岩場の海岸付近でこの手法をテストしました。そこでは、高さ4メートルの巨大な波をスキャンするためにドローンがホバリングしていました。その結果、海をデジタルモデルとして描き出すことができ、それは滑らかで連続しており、科学者が任意の地点において水の速度や傾斜を計算することを可能にしました。

実験は、海底が急激に落ち込んでおり、波が大きな力で砕けるチャイナ・ロックとして知られる岩頭の近くで行われました。特殊なレーザースキャナーを搭載したドローンは、高度33メートルでホバリングし、1秒間に10回、水面に光のビームを照射しました。これらのビームは水面で反射してドローンに戻り、波の高さを三次元的にマッピングする膨大なデータの集合を作り出しました。研究者たちは、このデータの60秒間のウィンドウに焦点を絞り、大きな波が押し寄せ、急勾配になり、最終的に砕ける瞬間を捉えました。この短い時間の間に、ドローンは約450万個の個別の点を収集しましたが、これらの点は均等に分布しているわけではなく、ドローンの直下で最も密度が高く、スキャンの端に向かうにつれて疎になっていました。

この散らばった点の雲を有用な画像に変えるために、チームはパターンを認識するように設計されたコンピュータプログラムであるニューラルネットワークを訓練しました。彼らはネットワークに、すべての点の座標と、その場所における水の高さを入力しました。ネットワークの役割は、レーザーが当たった場所だけでなく、あらゆる場所と時間における水の高さを予測できる数学的関数を見つけることでした。点をグリッドへと平均化する従来の方法とは異なり、このネットワークは、データポイントを通過する滑らかで流れるような表面を作り出すことを学習しました。研究者たちは、このアプローチが極めてうまく機能することを発見しました。生成されたデジタルモデルは、レーザーデータに見られる実際の波の形と一致しており、波の頂（クレスト）の隆起や、その面の急激な落下を捉えていました。また、他の測定ツールを混乱させることの多い、海水のしぶきや波しぶきの混沌としたノイズを効果的に取り除き、主要な波の構造の明確な姿を残すことにも成功しました。

最も重要な発見の一つは、この手法がデータが希薄な領域においても精度を維持したことです。ネットワークは波の全体的な形状を学習しているため、ドローンのレーザーによる点があまりに少ない、あるいは全くない場所でも、水の高さを推定することができました。研究者が、訓練中に見ていないデータに対してモデルをテストした際、エラーは小さく、レーザー機器自体の自然な限界と同程度でした。また、彼らは全く同じデータを用いて2つの別々のネットワークを訓練することで、この手法の信頼性をテストしました。これら2つのモデルはほぼ同一の結果を示し、ほとんどの場所で数センチメートルの差しかありませんでした。しかし、ドローンがほとんどデータを収集できなかった非常に疎な領域では、2つのモデルはわずかに乖離し始め、この手法は堅牢ではあるものの、波の形を学習するための十分な情報に依然として依存していることを示唆しました。

この新しいアプローチの真の力は、波がどのように変化しているかを計算できる能力にあります。デジタルモデルは滑らかで連続的な関数であるため、研究者は水が上下に動く速さや、波の面の傾斜が特定の瞬間にどれほど急であるかを簡単に計算することができました。彼らが調査した60秒間のウィンドウにおいて、彼らは波の頂が岸に向かって秒速約8.75メートルで移動する様子を追跡することができ、その値は、その規模と水深の波に対する理論的な予測と一致していました。また、波が移動するにつれてどのように形を変えるかを確認し、波の頂が砕ける前にどのように高く、急になったかを記録することもできました。このレベルの詳細さは、従来のグリッドベースの手法では達成するのが難しく、特に砕ける波の急で急速に変化する面において、変化率を正確に計算することに苦慮することがよくあります。

研究者たちは、この手法には課題もあることを認めています。標準的なコンピュータハードウェアを使用して、わずか60秒間のデータのニューラルネットワークを訓練するのに約30分かかり、これは単にデータをグリッドに分類する時間よりも大幅に長いものです。もし科学者が1時間の波のデータを分析したいのであれば、何時間もネットワークを訓練するか、複数のコンピュータを並列で走らせる必要があります。さらに、この手法は、学習するための十分なデータがある場合に最も効果を発揮します。水が非常に澄んでいてレーザーの戻りが極めて少ない領域では、モデルの精度が低下する可能性があります。こうした限界はあるものの、本研究は、海洋表面を表現するためにニューラルネットワークを使用することが強力な新しいツールとなることを示しています。それは、時間と空間の任意の点において分析可能な、連続的で滑らかで、極めて詳細な海の視界を提供し、波が岸に打ち寄せる際の振る舞いに関するより深い理解への扉を開くものです。