Het identificeren van geologische kenmerken in een dichtbegroeide, stijl, en ruw terrein kan bijna onmogelijk zijn. Beelden zoals LiDAR kunnen onderzoekers helpen door de boombedekking te kijken, maar subtiele landvormen kunnen vaak door het menselijk oog worden gemist.

Nutsvoorzieningen, een team van wetenschappers heeft gebruik gemaakt van de kracht van machine learning om verborgen geologische kenmerken te identificeren. specifiek, de wetenschappers identificeren voorheen niet-geïdentificeerde grotingangen die moeilijk te zien zijn in beelden, en moeilijk toegankelijk op de grond.

Leila Donn, een doctoraalstudent aan de Universiteit van Texas in Austin en hoofdauteur van het nieuwe onderzoek, presenteert de resultaten van haar onderzoek op zondag op de jaarlijkse bijeenkomst van de Geological Society of America in Phoenix.

Het onderzoek is mede geïnspireerd door de weelderige, moeilijk toegankelijke gebieden van tropische bossen. "We zagen de noodzaak om LiDAR-dekking te krijgen voor onze diepe tropische bosgebieden, " zegt Timothy Beach, co-auteur van het onderzoek. "LiDAR-beelden hebben veel archeologie laten zien, maar we wisten ook dat ze veel nieuwe geologie en veel nieuwe interacties tussen mens en milieu konden laten zien."

Het project werd ook geïnspireerd door Donns eigen veldervaringen. Terwijl ik een collega hielp bij het zoeken naar ingangen van grotten in Guatemala, ze zouden een plek vinden die er veelbelovend uitzag op de LiDAR-beelden, breng dan de hele dag door met wandelen naar de locatie. "Het was heel leuk, maar echt, echt arbeidsintensief, " zegt Donn. En soms leidde hun daglange wandeling naar een plek die helemaal geen grot was - een frustrerende situatie. "Terwijl we dit aan het doen waren, Ik dacht, 'Wat als we dit zouden kunnen doen met machine learning?'" Ze legt uit dat in plaats van dat de onderzoekers mogelijke locaties met het oog uitkiezen, de computer zou de identificatie doen, het onthullen van de meest veelbelovende locaties.

Om te testen of machine learning hen zou kunnen helpen zich te beperken tot interessante geologische sites, Donn en Beach richtten zich op een gebied in het noordwesten van Belize dat zwaar begroeid en moeilijk toegankelijk was. Ze concentreerden zich op het vinden van ingangen van grotten diep in het bos dat nog moest worden blootgelegd.

Met behulp van de LiDAR-beelden verzameld van een vergelijkbare site met in kaart gebrachte grotten, Donn heeft de locatie van bekende grotingangen uitgezet, samen met punten die geen grotten waren. Vervolgens verzamelde ze informatie over het landschap, inclusief helling, ruwheid van het terrein, en afstand tot stromen. Deze informatie werd gecompileerd in een spreadsheet en ingevoerd in de machine learning als een manier om "de computer te leren voorspellen wat een grot is en wat niet, " zegt Don.

Gedurende de zomer, Donn hakte door de jungle om de gebieden te achterhalen waar grotten waren geïdentificeerd met machinaal leren. Ze bevestigde dat een aantal voorheen niet in kaart gebrachte grotingangen inderdaad bestonden in het landschap, inclusief een zeer grote verrassing.

"Het coolste dat we vonden was een zinkgat dat een ingestort grottencomplex was, " zegt Donn. Ze zei dat de vondst kwam na een ongelooflijk zware wandeling door dichte vegetatie. Ondanks dat ze 60 meter lang is, 30 meter breed, en 35 meter diep, "Je kon het niet zien totdat je er bovenop zat, " ze zegt.

Toen ze terug in het lab was, Donn zei dat ze met frisse ogen terugging naar de LiDAR om te zien of de ingang van de grot nu uit de beelden tevoorschijn zou komen. "Toen ik terugging naar de locatie en naar de LiDAR keek, het was zichtbaar, " ze zegt, maar ze merkt op dat zonder te weten dat het er was, ze zou het waarschijnlijk niet hebben herkend als een ingang van een grot. "Het programma heeft het voor mij gevonden."

Haar machine learning kan ook veel kleinere grotten oppikken, zegt Don. "Een daarvan was een kleine grot met een ingang die misschien anderhalve meter lang en slechts tien meter diep was." En op de LiDAR, ze zegt dat die kleinere grot onzichtbaar was voor het blote oog.

Donn zegt dat haar programma kan worden gebruikt voor geologiestudies, zoals het vinden en bestuderen van onontdekte grotten. Maar ze ziet ook toepassingen voor andere disciplines zoals archeologie, bosbeheer, stedelijke ontwikkeling, en landbeheer. "Ik zie dat dit een toekomst heeft buiten de academische wereld, " ze zegt.

"Wat Leila doet, is een spannende verbinding tussen de geschiedenis en de toekomst van geowetenschappen, " zegt Beach. Een project als dit, hij zegt, "komt van dit vermogen om op zeer moeilijke plaatsen te komen waar de meesten van ons niet kunnen komen, maar ook dan deze creatieve invalshoek om de machine ook te laten leren hoe het moet."