Havbunnens sammensetning gjenspeiler biologiske og fysiske prosesser fra Jordas nyere historie, inkludert vår menneskelige påvirkning. Dette har betydning for marint liv, ressursutnyttelse og diverse marintekniske anvendelser.
– For meg er det viktigste å forstå de geologiske prosessene: Jordas nyere historie og hvordan den setter sitt avtrykk i den fysiske sammensetningen av havbunnen. Kort fortalt har jeg anvendt metoder fra maskinlæring og utviklet dem for jordobservasjonsproblemer, forteller Knut Landmark om det han har gjort i arbeidet med sin nylig avlagte doktorgrad.
Arbeidet handler om å lære om egenskapene til havbunnen ved hjelp av en type fjernmålingsdata, som er akustiske data fra en slags sonar – eller noe som kalles multistråleekkolodd. Denne teknologien bruker lydbølger som forplanter seg gjennom vannet, og den blir mer og mer utbredt.
Maskinlæring
Maskinlæring er en gren av kunstig intelligens.
Det handler om bruk av algoritmer for å gjøre datamaskiner i stand til å lære, for eksempel gjenkjenning av komplekse mønstre.
Basert på data kan maskinen da gjøre intelligente beslutninger.
Kilde: Wikimedia
– Det er en trend innenfor fjernmåling og observasjoner av Jorden at du får mer og bedre data enn før. Disse mengdene og volum av data gjør at du må ha automatiserte algoritmer som kan tolke dataene så man kan få ut verdifull informasjon. Her er det ikke først og fremst snakk om å lese av formen eller morfologien, men også andre sedimentære egenskaper, sier Landmark.
Nytt Nordsjø-kart
Han forteller at de har laget et nytt, regionalt kart av overflatesedimenter for en del av Nordsjøen. I tillegg har de kommet med endel konklusjoner om akustisk statistisk havbunnsklassifisering og hvordan det fungerer.
– I forskningen så vi på en internasjonalt utbredt metode og oppdaget at statistiske antagelser ikke alltid holdt. Resultatene kan være følsomme for hvordan man grupperer dataene. Jeg fant også endel interessante ting som avspeilet hvordan geologiske prosesser har formet den delen av Nordsjøen, spesielt fra slutten av siste istid.
– Hvordan har dere gjort dette?
– Innen fjernmåling kan man kanskje snakke om to viktige tilnærminger, nemlig maskinlæring og inversjon. Inversjon starter med en matematisk modell for selve observasjonsprosessen. Hvordan lydbølgene forplanter seg fra ekkoloddet gjennom vannet, vekselvirker med havbunnen og kommer tilbake. Disse signalene bærer informasjon som vi kan bruke til å regne oss fram til hvilke parametre eller egenskaper som gir oss dette signalet. Vi ønsker blant annet å estimere hvor tett er det, hvor ru overflaten er og hva slags materiale det er der nede.
Modell for nøyaktighet
I Landmarks arbeid har maskinlæring vært hovedfokus. Her starter man med noen observasjoner, som fysiske prøver av havbunnen, i tillegg til akustiske målinger fra et stort område.
– Hvordan kan man bruke observasjonene og de akustiske dataene til å generalisere?
– Vi trekker ut et par variabler som vi tror karakteriserer tallene, x og y kan for eksempel være energi og tidsspredning. Da har vi en todimensjonal vektor. La oss si at vi observerer mange signaler over et stort geografisk område, da klumper disse vektorene seg sammen, forklarer han.
– Det er gjort forskjellige forsøk på å klassifisere ekkoloddsignaler, det finnes forskjellige måter å prosessere signalene på og forskjellige typer rådata. Det jeg har prøvd å gjøre, er å starte med fysikken, lage en slags statistisk, matematisk modell for observasjonsprosessen basert på det og så si noe om hvor nøyaktig man kan forvente at metoden er.
En bærebjelke
– Maskinlæring og statistisk klassifisering er en av bærebjelkene i informasjonsrevolusjonen, teori og algoritmer som gjør datamaskiner i stand til å ta beslutninger basert på dataobservasjoner, sier Landmark.
– Det gir et generelt teoretisk rammeverk og praktiske algoritmer som kan anvendes på forskjellige typer problemer, som talegjenkjenning, skriftgjenkjenning, problemer innen geofysikk og observasjoner i Jordens overflate, som er min type anvendelse, avslutter han.
