机器学习能否揭示人类看不见的地质学

资讯2020-02-25 10:58:32
导读 在2019年夏季,莱拉·唐(Leila Donn)和她的野外工作人员凝视着伯利兹热带森林中一个非常大的污水坑的一侧。该功能是从机器学习程序中识别

在2019年夏季,莱拉·唐(Leila Donn)和她的野外工作人员凝视着伯利兹热带森林中一个非常大的污水坑的一侧。该功能是从机器学习程序中识别出来的,并经过长时间的徒步旅行才能得到验证。唐恩说,只有在靠近边缘之前,才能识别出污水坑。

在茂密的植被,陡峭和崎rough的地形中识别地质特征几乎是不可能的。像LiDAR这样的影像可以帮助研究人员看穿树的覆盖物,但是人眼通常会错过微妙的地形。

现在,一组科学家利用机器学习的力量来识别隐藏的地质特征。具体来说,科学家正在识别以前无法识别的洞穴入口,这些入口很难在图像中看到,也很难在地面上进入。

德克萨斯大学奥斯汀分校的博士生,这项新研究的主要作者莱拉·唐恩(Leila Donn)将于周日在凤凰城的美国地质学会年会上介绍她的研究成果。

该研究部分受到热带森林茂密,难以到达的地区的启发。该研究的合著者蒂莫西比奇说:“我们看到有必要在我们的热带热带森林地区覆盖激光雷达。”“ LiDAR图像已经显示出许多考古学,但是我们也知道它们可以显示出许多新的地质学以及许多新的人与环境的相互作用。”

该项目还受到Donn自己的现场经验的启发。在帮助同事寻找危地马拉的洞穴入口时,他们会在LiDAR影像上找到一个看起来很有前途的景点,然后整日徒步前往该位置。唐恩说:“这确实很有趣,但确实非常费力。”有时他们整天的徒步旅行导致了一个根本不是洞穴的地方-一个令人沮丧的情况。她解释说:“我们正在这样做的时候,'如果我们可以通过机器学习来做到这一点呢?'”她解释说,研究人员不是用眼睛识别可能的位置,而是由计算机进行识别,从而揭示最有希望的位置。

为了测试机器学习是否可以帮助他们缩小兴趣范围,唐恩和比奇将注意力集中在伯利兹西北部一个植被茂密且难以进入的地区。他们集中精力在森林深处寻找尚未发现的洞穴入口。

迈克·马纳(Mike Mallner)是技术探洞者,曾陪伴莱拉·唐(Leila Donn)进行野外工作,他下坠到大水池中。以前无法识别的特征是60米x 30米和35米深。Donn使用从类似地点绘制的洞穴采集的LiDAR图像,绘制了已知洞穴入口的位置以及非洞穴点的位置。然后,她收集了有关景观的信息,包括坡度,地形粗糙度和到溪流的距离。Donn说,这些信息被编译成电子表格并馈送到机器学习中,从而“教计算机如何预测什么是洞穴,什么不是洞穴”。

在整个夏天,唐恩(Donn)穿过丛林闯入地面,通过机器学习发现了洞穴所在的地方。她确认景观中确实存在许多以前未映射的洞穴入口,其中包括一个很大的惊喜。

唐恩说:“我们发现的最酷的东西是一个坍塌的洞穴复合体的污水坑。”她说,这次发现是在茂密的植被上进行了令人难以置信的艰苦跋涉之后做出的。她说,尽管长60米,宽30米,深35米,但只有在上面才能看到它。

当她回到实验室时,唐恩说她以崭新的眼光回到激光雷达,看看洞穴入口现在是否会从图像中弹出。她说:“当我回到该地点查看LiDAR时,它是可见的。”但她指出,不知道它在那儿,她可能不会把它当作洞穴入口。“程序为我找到了它。”

Donn说,她的机器学习还可以发现更小的洞。“其中一个是一个小洞穴,入口可能长一米半,深只有30英尺。”在激光雷达上,她说肉眼看不到较小的洞穴。

唐恩说,她的程序可用于地质研究,例如发现和研究未发现的洞穴。但是她也看到了其他学科的应用,例如考古学,森林管理,城市发展和土地管理。她说:“我认为这将在学术界之外有一个未来。”

比奇说:“莱拉正在做的事情是地球科学的历史与未来之间令人兴奋的联系。”他说,这样的项目“源于我们进入大多数人无法进入的非常困难的地方的能力,而且还具有使机器也能学习如何做的创造性角度。”

免责声明:本文由用户上传,如有侵权请联系删除!