Ein neues Datenvisualisierungstool, das von einem Doktoranden des Georgia Institute of Technology entwickelt wurde, hilft einem Team aus Mikrobenökologen, Geobiologen und Ozeanographen dabei, mehr Einblicke in die Interaktion von Tiefseemikroorganismen mit ihrer Umwelt zu gewinnen.
Was als Praktikum bei der NASA begann, entwickelte sich für Adam Coscia, einen Doktoranden im vierten Jahr, zu einer einmaligen Gelegenheit. Coscia arbeitete unter der Aufsicht eines interdisziplinären Teams kooperierender Forscher von Caltech, dem Jet Propulsion Laboratory (JPL), das Caltech für die NASA betreibt, und dem ArtCenter College of Design.
Coscias Mentoren empfahlen ihn einem Forschungsteam am Caltech unter der Leitung von Victoria Orphan, einer renommierten Mikrobenökologin, die mikrobielle Gemeinschaften im Ozean und ihre Funktionsweise in Lebensräumen in tiefen Meeresbodensedimenten untersucht.
Orphan und ihr Team vom Orphan Lab am Caltech führen ihre Forschungen seit 2004 durch. Vor Kurzem haben sie beschlossen, ihre Erkenntnisse mithilfe der Datenvisualisierung aufzuzeichnen und künftige Expeditionen zu planen.
„In der Vergangenheit waren unsere Datensätze diskret und befanden sich in separaten Excel-Tabellen“, sagte Orphan. „Vielleicht führen wir am Ende eine statistische Analyse durch, um Korrelationen in diesen Daten zu finden. Dann vergleichen wir diese mit unseren Karten. Wir hatten keine Möglichkeit, alles unter einem Dach zu konsolidieren, das es uns ermöglicht, mehr über diese Ökosysteme zu erfahren.“
Orphan sagte, ihr Team unternehme im Schnitt ein bis zwei Forschungsexpeditionen pro Jahr vor der Küste Kaliforniens. Drei Wochen lang sammeln sie mit ferngesteuerten Fahrzeugen (ROVs) Sedimentproben vom Meeresboden. Da die Zeit knapp ist, ist es entscheidend, die Fundorte der besten Proben zu identifizieren.
Orphan ist außerdem außerordentlicher Wissenschaftler am Monterey Bay Aquarium Research Institute (MBARI) und arbeitet mit dem Seafloor Mapping Lab zusammen. Das Labor verwendet ein ROV-montiertes Vermessungssystem für niedrige Höhen, um detaillierte Karten der Meeresbodentopographie zu erstellen.
Um dem Orphan Lab die effektive Arbeit mit topografischen und fotografischen Daten zu ermöglichen, entwickelte Coscia DeepSeeein interaktiver Webbrowser, der Daten mithilfe von 3D-Visualisierungsmodellen und Umgebungskarten kommentieren und grafisch darstellen kann.
„Die Idee ist, dass man, sobald man die Proben hat und an einem bestimmten Bereich mit früheren Proben interessiert ist, hineingehen und mit unserem Zeichentool auf der Karte markieren kann, wo man als nächstes Proben sammeln soll“, sagte Coscia.
„Wir haben uns auf den Erkundungs- und Notizprozess mit Karten und Daten konzentriert und neue Möglichkeiten zur Visualisierung gefunden. Wissenschaftler können alle ihre Proben in Echtzeit zeichnen und kartieren. Sie können viel einfacher auf bestimmte Daten verweisen und bestimmen, wo das Team hingehen sollte, um die besten Proben zu erhalten.“
Das Orphan Lab hat DeepSee bei seinen beiden jüngsten Expeditionen live an Bord seines Schiffes genommen. Orphan hat eine gesteigerte Effizienz bei der Expeditionsplanung festgestellt.
„Die von Adam eingerichtete Infrastruktur wird dies nicht nur für meine Gruppe, sondern auch für andere Ozeanographen und Wissenschaftler in anderen Bereichen zu einem hilfreichen Werkzeug machen – überall dort, wo es eine räumliche Verteilung von Informationen gibt, die man mit anderen Metadaten verknüpfen möchte“, sagte sie.
Orphan holt jedes Jahr neue Forscher in ihr Labor am Caltech und DeepSee hat den Prozess der Einarbeitung der Neulinge beschleunigt.
„Wir können sie viel einfacher an Bord holen und ihnen einen Eindruck davon vermitteln, welche Daten verfügbar sind und wo wir Informationen gesammelt haben, und zwar auf eine Weise, die viel klarer ist, als wenn sie auf eine Excel-Tabelle zurückgreifen müssten“, sagte sie.
DeepSee erstellt außerdem 3D-Datenmodelle unter dem Meeresboden mithilfe von Dateninterpolation, die neue Datenpunkte auf Grundlage der Reichweite einer Reihe bekannter Datenpunkte schätzt. Mithilfe der bekannten Datenpunkte füllt DeepSee die Lücken in der geschätzten Datenqualität, die die Forscher an nahe gelegenen Orten oder tiefer unter der Oberfläche, wo die Proben gesammelt wurden, finden können.
„Von außen würde man unter dem Meeresboden nie etwas sehen“, sagte Coscia. „Man müsste graben. Aber unsere 3D-Modelle zeigen, dass es möglicherweise Daten gibt, die auf einen Hotspot nur wenige Meter unter dem Boden hindeuten. Das sagt einem, wo man als nächstes Proben nehmen muss.“
Coscia beabsichtigt, Modelle des maschinellen Lernens (ML) in eine zukünftige Version von DeepSee zu integrieren, die gesammelte Daten verwendet, um zukünftige Standorte für die Probenentnahme vorherzusagen. Für die Genauigkeit des ML-Modells sind jedoch deutlich mehr Daten erforderlich.
Coscia hofft, dass sich die aktuelle Version des Tools durchsetzt, sodass Forscher maschinelles Lernen einfacher in ihre Arbeit integrieren können.
Die aktuelle Version sei vorerst für viele Einsatzmöglichkeiten geeignet, sagte er.
„Die Möglichkeit, Daten zu organisieren und anzuzeigen, insbesondere mit Karten, ist immer wertvoll“, sagte er. „Meine Leidenschaft besteht darin, Forschern und Wissenschaftlern zu helfen, ihre Daten auf neue und wertvolle Weise zu sehen.“
Coscia verfasste ein Papier über die Entwicklung von DeepSee, das er im Mai auf der Conference on Human Factors in Computing Systems vorstellte (CHI 2024) in Honolulu, Hawaii.