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

Het oppervlak van de oceaan is nooit rustig. Het is een onrustig, verschuivend landschap van rollende zwellen, brekende golven en kolkend schuim, dat zichzelf voortdurend hervormt terwijl energie van de diepe zee naar de kust beweegt. Voor wetenschappers die deze golven bestuderen, is het begrijpen van de exacte beweging van het water essentieel. Ze moeten niet alleen weten wat de hoogte van een golf is, maar ook hoe snel deze reist, hoe steil het gezicht van de golf is en hoe de vorm verandert wanneer deze breekt. Traditioneel hebben onderzoekers gebruikgemaakt van boeien die op één plek dobberen of camera's die vanuit de verte foto's maken. Hoewel deze instrumenten nuttig zijn, hebben ze vaak moeite om de driedimensionale complexiteit van een brekende golf volledig te vatten, vooral in de turbulente zone waar het water op het strand slaat. Om een duidelijker beeld te krijgen, hebben wetenschappers de hulp ingeschakeld van lasers gemonteerd op drones, die het wateroppervlak kunnen scannen en een wolk van miljoenen minuscule punten kunnen creëren, waarbij elk punt een specifieke locatie in ruimte en tijd markeert. De ruwe data zijn echter rommelig en verspreid; om er betekenis aan te geven, moeten onderzoekers de punten meestal in een rigide rooster dwingen, vergelijkbaar met het proberen te passen van onregelmatige puzzelstukjes in een vierkant kader, wat belangrijke details kan afvlakken of fouten kan introduceren.

Een team onderzoekers van het Scripps Institution of Oceanography heeft een andere manier gevonden om met deze data om te gaan, een methode die het rooster volledig vermijdt. In plaats van de laserpunten in een blokkerige structuur te dwingen, gebruikten ze een type kunstmatige intelligentie genaamd een neuraal netwerk om de vorm van het oceanoppervlak direct uit de verspreide punten te leren. Denk aan dit netwerk als een student die een miljoen verspreide stippen te zien krijgt en de opdracht krijgt om een vloeiende, continue lijn te tekenen die ze allemaal verbindt, niet alleen bij de stippen zelf, maar ook overal ertussenin. De onderzoekers testten deze methode boven een rotsachtige kust in Monterey, Californië, waar een drone boven de wateren zweefde om enorme golven van vier meter hoog te scannen. Het resultaat was een digitaal model van de zee dat vloeiend en continu is, waardoor wetenschappers de snelheid en de helling van het water op elk willekeurig punt kunnen berekenen, zelfs op plaatsen waar de drone geen directe meting heeft uitgevoerd.

Het experiment vond plaats nabij een rotsachtige kop die bekend staat als China Rock, waar de oceaanbodem steil afloopt en golven met aanzienlijke kracht breken. Een drone uitgerust met een gespecialiseerde laser scanner zweefde op een hoogte van 33 meter en vuurde tien keer per seconde lichtstralen af op het wateroppervlak. Deze stralen kaatsten van het water af en keerden terug naar de drone, waardoor een enorme verzameling datapunten ontstond die de hoogte van de golven in drie dimensies in kaart brachten. De onderzoekers concentreerden zich op een venster van 60 seconden van deze data, waarbij het moment werd vastgelegd waarop een grote golf binnenrolde, steiler werd en uiteindelijk brak. In deze korte burst van tijd verzamelde de drone ongeveer 4,5 miljoen individuele punten, maar deze punten waren niet gelijkmatig verdeeld; ze waren het dichtst onder de drone en werden ijler naar de randen van de scan toe.

Om deze verspreide puntenwolk om te zetten in een bruikbaar beeld van de oceaan, trainden het team een neuraal netwerk, een computerprogramma dat ontworpen is om patronen te herkennen. Ze voedden het netwerk met de coördinaten van elk afzonderlijk punt en de hoogte van het water op die plek. De taak van het netwerk was om een wiskundige functie te vinden die de waterhoogte op elke locatie en elk tijdstip kon voorspellen, niet alleen waar de laser het water raakte. In tegen tegenstelling tot traditionele methoden die de punten in een rooster zouden middelen, leerde dit netwerk om een vloeiend, stromend oppervlak te creëren dat door de datapunten heen liep zonder in een rigide structuur te worden gedwongen. De onderzoekers kwamen tot de conclusie dat deze aanpak bijzonder goed werkte. Het digitale model dat het produceerde, kwam overeen met de werkelijke golfvormen die in de laserdata te zien waren, waarbij het de opkomst van de golfkam en de steile daling van het golfgezicht vastlegde. Het slaagde er ook in om de chaotische ruis van zeenspray en opspattend water te filteren, wat andere meetinstrumenten vaak in verwarring brengt, waardoor een helder beeld van de hoofdstructuur van de golf overbleef.

Een van de meest significante bevindingen was dat deze methode accuraat bleef, zelfs in gebieden waar de data schaars was. Omdat het netwerk de algemene vorm van de golf leerde, kon het de waterhoogte schatten in de gaten waar de laser van de drone weinig of geen punten had verzameld. Wanneer de onderzoekers het model testten tegen data die het niet had gezien tijdens de training, waren de fouten klein en vergelijkbaar met de natuurlijke beperkingen van het laserinstrument zelf. Ze testten ook de betrouwbaarheid van de methode door twee aparte netwerken te trainen op exact dezelfde data. De twee modellen produceerden bijna identieke resultaten, met in de meeste gevallen slechts enkele centimeters verschil. Echter, in de zeer schaarse gebieden waar de drone bijna geen data had verzameld, begonnen de twee modellen iets uiteen te lopen, wat suggereën dat hoewel de methode robuust is, deze nog steeds afhankelijk is van voldoende informatie om de vorm van de golf te leren.

De ware kracht van deze nieuwe aanpak ligt in het vermogen om te berekenen hoe de golf verandert. Omdat het digitale model een vloeiende, continue functie is, konden de onderzoekers eenvoudig berekenen hoe snel het water op en neer bewoog, of hoe steil het golfgezicht op een specifief moment was. In het bestudeerde venster van 60 seconden waren zij in staat om een golfkam te volgen die met een snelheid van ongeveer 8,75 meter per seconde richting de kust bewoog, een waarde die overeenkwam met de theoretische voorspellingen voor golven van deze omvang en diepte. Ze konden ook zien hoe de golf van vorm veranderde terwijl deze bewoog, waarbij ze opmerkten hoe de kam hoger en steiler werd voordat deze brak. Dit niveau van detail is moeilijk te bereiken met traditionele roostergebaseerde methoden, die vaak moeite hebben met het nauwkeurig berekenen van deze veranderingssnelheden, vooral op de steile, snel veranderende gezichten van brekende golven.

De onderzoekers erkennen dat deze methode niet zonder uitdagingen is. Het trainen van het neurale netwerk duurde ongeveer 30 minuten op standaard computerhardware voor slechts 60 seconden aan data, wat aanzienlijk langer is dan de tijd die nodig is om data simpelweg in een rooster te sorteren. Als wetenschappers een uur aan golfdata wilden analyseren, zouden ze het netwerk vele uren moeten trainen, of meerdere computers parallel moeten laten draaien. Bovendien werkt de methode het best wanneer er een aanzienlijke hoeveelheid data beschikbaar is om van te leren; in gebieden waar het water erg helder is en de laser zeer weinig punten teruggeeft, kan de nauwkeurigheid van het model afnemen. Ondanks deze beperkingen laat de studie zien dat het gebruik van neurale netwerken om het oceanoppervlak te representeren een krachtig nieuw instrument biedt. Het biedt een continu, vloeiend en zeer gedetailleerd beeld van de zee dat op elk punt in de tijd en ruimte geanalyseerd kan worden, wat de weg vrijmaakt voor een dieper begrip van hoe golven zich gedragen wanneer ze op de kust breken.