Autoren:  (1) Adam Coscia, Georgia Institute of Technology, Atlanta, Georgia, USA (acoscia6@gatech.edu);  (2) Haley M. Sapers, Abteilung für Geologie und Planetenwissenschaften, California Institute of Technology, Pasadena, Kalifornien, USA (hsapers@caltech.edu);  (3) Noah Deutsch, Harvard University Cambridge, Massachusetts, USA (ndeutsch@mde.harvard.edu);  (4) Malika Khurana, The New York Times Company, New York, New York, USA (malika.khurana@nytimes.com);  (5) John S. Magyar, Abteilung für Geologie und Planetenwissenschaften, California Institute of Technology Pasadena, Kalifornien, USA (jmagyar@caltech.edu);  (6) Sergio A. Parra, Abteilung für Geologie und Planetenwissenschaften, California Institute of Technology Pasadena, Kalifornien, USA (sparra@caltech.edu);  (7) Daniel R. Utter, rwipfler@caltech.edu Abteilung für Geologie und Planetenwissenschaften, California Institute of Technology Pasadena, Kalifornien, USA (dutter@caltech.edu);  (8) John S. Magyar, Abteilung für Geologie und Planetenwissenschaften, California Institute of Technology Pasadena, Kalifornien, USA (rwipfler@caltech.edu);  (9) David W. Caress, Monterey Bay Aquarium Research Institute, Moss Landing, Kalifornien, USA (caress@mbari.org);  (10) Eric J. Martin Jennifer B. Paduan Monterey Bay Aquarium Research Institute, Moss Landing, Kalifornien, USA (emartin@mbari.org);  (11) Jennifer B. Paduan, Monterey Bay Aquarium Research Institute, Moss Landing, Kalifornien, USA (paje@mbari.org);  (12) Maggie Hendrie, ArtCenter College of Design, Pasadena, Kalifornien, USA (maggie.hendrie@artcenter.edu);  (13) Santiago Lombeyda, California Institute of Technology, Pasadena, Kalifornien, USA (santiago@caltech.edu);  (14) Hillary Mushkin, California Institute of Technology, Pasadena, Kalifornien, USA (hmushkin@caltech.edu);  (15) Alex Endert, Georgia Institute of Technology, Atlanta, Georgia, USA (endert@gatech.edu);  (16) Scott Davidoff, Jet Propulsion Laboratory, California Institute of Technology, Pasadena, Kalifornien, USA (scott.davidoff@jpl.nasa.gov);  (17) Victoria J. Orphan, Abteilung für Geologie und Planetenwissenschaften, California Institute of Technology, Pasadena, Kalifornien, USA (vorphan@caltech.edu).  Linktabelle   Zusammenfassung und 1 Einleitung   2 Verwandte Arbeiten   3 Methodik   4 Untersuchung des Ökosystems der Tiefsee und 4.1 Ziele der Tiefseeforschung   4.2 Workflow und Daten   4.3 Designherausforderungen und Benutzeraufgaben   5 Das DeepSea-System  5.1 Kartenansicht  5.2 Kernansicht   5.3 Interpolationsansicht und 5.4 Implementierung   6 Nutzungsszenarien und 6.1 Szenario: Kreuzfahrtplanung  6.2 Szenario: Entscheidungsfindung im laufenden Betrieb   7 Auswertung und 7.1 Reiseeinsatz   7.2 Experteninterviews   7.3 Einschränkungen   7.4 Erkenntnisse   8 Schlussfolgerungen und zukünftige Arbeiten, Danksagungen und Referenzen  ABSTRAKT  Wissenschaftler, die mikrobielle Ökosysteme in der Tiefsee erforschen, verwenden eine begrenzte Anzahl von Sedimentproben, die sie vom Meeresboden sammeln, um wichtige lebenserhaltende biogeochemische Kreisläufe in der Umwelt zu charakterisieren. Die Durchführung von Feldforschungen zur Beprobung dieser extrem abgelegenen Umgebungen ist jedoch sowohl teuer als auch zeitaufwändig und erfordert Werkzeuge, mit denen Wissenschaftler die Probenentnahmehistorie der Feldstandorte untersuchen und vorhersagen können, wo die Entnahme neuer Proben wahrscheinlich den größten wissenschaftlichen Ertrag bringt. Wir haben mit einem Team von Wissenschaftlern eine kollaborative, benutzerzentrierte Designstudie durchgeführt, um DeepSee zu entwickeln, einen interaktiven Datenarbeitsbereich, der 2D- und 3D-Interpolationen biogeochemischer und mikrobieller Prozesse im Kontext zusammen mit der Sedimentprobenentnahmehistorie visualisiert, die auf 2D-Meeresbodenkarten überlagert ist. Basierend auf einem Feldeinsatz und qualitativen Interviews fanden wir heraus, dass DeepSee den wissenschaftlichen Ertrag aus begrenzten Probengrößen steigerte, neue Forschungsabläufe katalysierte, die langfristigen Kosten für die gemeinsame Nutzung von Daten senkte und die Teamarbeit und Kommunikation zwischen Teammitgliedern mit unterschiedlichen Forschungszielen unterstützte.  CCS-KONZEPTE  •       ; •  Menschzentrierte Informatik → Wissenschaftliche Visualisierung; Visuelle Analytik; Geografische Visualisierung; Visualisierungssysteme und -tools Angewandte Informatik → Erd- und Atmosphärenwissenschaften.  SCHLÜSSELWÖRTER  Datenvisualisierung, wissenschaftliche Visualisierung, visuelle Analytik, Designstudie, Tiefseeforschung.   ACM-Referenzformat:  Adam Coscia, Haley M. Sapers, Noah Deutsch, Malika Khurana, John S. Magyar, Sergio A. Parra, Daniel R. Utter, Rebecca L. Wipfler, David W. Caress, Eric J. Martin, Jennifer B. Paduan, Maggie Hendrie, Santiago Lombeyda, Hillary Mushkin, Alex Endert, Scott Davidoff und Victoria J. Orphan. 2024. DeepSee: Multidimensionale Visualisierungen von Meeresbodenökosystemen. In Proceedings der CHI-Konferenz über menschliche Faktoren in Computersystemen (CHI '24), 11.–16. Mai 2024, Honolulu, HI, USA. ACM, New York, NY, USA, 16 Seiten. https://doi.org/10.1145/3613904.3642001  1 EINLEITUNG  Die Erforschung und Untersuchung benthischer Ökosysteme in der Tiefsee, von den ausgedehnten Tiefseeebenen bis zu den physikochemisch heterogenen Extremumgebungen hydrothermaler Quellen und Methanaustritte, hat in den letzten zwei Jahrzehnten deutliche Fortschritte gemacht. Diese Fortschritte sind auf die enormen Datenmengen zurückzuführen, die durch die Entwicklung neuer Technologien zur autonomen Kartierung und Abbildung des Meeresbodens, zur physikochemischen Sensorik, zu biologischen Messungen und zur Probenarchivierung erzeugt werden [31]. Durch multidisziplinäre Wissenschaftlerteams, die ergänzende Datensätze zur Geologie, Geochemie, Makro- und Mikrobiologie dieser abgelegenen Ökosysteme bereitstellen, können Tiefseeforscher nun auf zweidimensionale topografische Karten und Farbfotomosaike des Meeresbodens zugreifen. Dadurch können punktuelle Meeresbodenproben (z. B. Sedimentkerne, Gesteins-, Tier- und Wasserproben) in räumlichen Maßstäben von Zentimetern bis Kilometern mit ihrem entsprechenden Umweltkontext in Beziehung gesetzt werden.  Obwohl 2D-Karten der räumlichen Standorte von Proben wertvoll sind, mangelt es dem Bereich derzeit an Visualisierungstools, die bis in die 3. Dimension, also in den Meeresboden, reichen. Dies stellt mehrere grundlegende Herausforderungen für die Datenvisualisierung dar, wenn es darum geht, die damit verbundenen physikochemischen und biologischen Daten von Proben in ihrem räumlichen Kontext zu untersuchen. Bei den Proben handelt es sich um Sedimentkerne – punktweise georäumliche und zeitliche (d. h. mehrdimensionale) Daten, die aus Hunderten von mikrobiellen Arten und physikochemischen Parametern bestehen –, die spärlich über mehrere hundert Meter Meeresboden verteilt sind. Forscher führen Feldarbeiten durch, um diese Sedimentkerne während Expeditionen aus der Tiefsee zu sammeln, eine teure und zeitaufwändige Aufgabe, die im Vorfeld umfangreiche Planung erfordert und normalerweise zu einer sehr begrenzten Anzahl von Proben führt. Wenn man sich die vorherige Probenhistorie ansieht, um zu entscheiden, wo als nächstes Proben entnommen werden sollen, kann dies dazu beitragen, die Zeit für teure Feldarbeiten zu maximieren. Darüber hinaus ist unklar, wie sich die bestehenden Forschungsabläufe der Wissenschaftler durch die Einführung neuer Visualisierungsfunktionen ändern könnten, sowohl bei der Planung vor der Feldarbeit als auch bei der taktischen Entscheidungsfindung im Feld, wenn neue Proben gesammelt werden. Unsere Ziele sind die Entwicklung eines Systems, das die Visualisierungsprobleme bei der Untersuchung räumlicher Trends zwischen Sedimentkernen im Kontext ihrer Umgebung löst, der Einsatz des Systems zur Messung der Auswirkungen auf die Arbeitsabläufe von Wissenschaftlern bei der Feldforschung in der Tiefsee und die Entwicklung umfassenderer Gestaltungsrichtlinien für die Visualisierung mehrdimensionaler Probendaten, die im Rahmen von Feldforschungsexpeditionen gesammelt werden.  Wir präsentieren eine kollaborative Designstudie [43], die mit einem Team von Wissenschaftlern durchgeführt wurde, die Tiefseeökosysteme untersuchen (Abschnitt 3). Wir charakterisierten zunächst ihre Forschungsziele, bestehenden Arbeitsabläufe und Datenpraktiken, was uns dazu führte, Designherausforderungen und Benutzeraufgaben (Abschnitt 4) für ein System zu synthetisieren, das Wissenschaftlern helfen kann, räumliche Trends zwischen Kernen im Kontext der Umwelt zu visualisieren, Kern- und Kartendaten in mehreren Größen- und Zeitskalen in einer einzigen Schnittstelle zu integrieren und den wissenschaftlichen Ertrag (langfristige Nutzbarkeit und Wert der Daten) aus der begrenzten Anzahl verfügbarer Proben zu erhöhen, indem unbekannte Werte an nicht beprobten Standorten vorhergesagt werden.  Ausgehend von unserer Aufgabenabstraktion entwickelten wir DeepSee (Abb. 1, Abschnitt 5), einen interaktiven Open-Source-Arbeitsbereich[1], in dem Wissenschaftler Daten von Sedimentkernen und Kartenbilder hochladen und ihre Probenhistorie gleichzeitig in mehreren verbundenen Ansichten anzeigen können. Interaktive Karten des Meeresbodens mit einer Auflösung zwischen Zentimetern und Kilometern (Abb. 1A) sind mit Informationen zu früheren Tauchgängen sowie gesammelten Proben beschriftet. Neben diesen Karten zeigt DeepSee 2D-Visualisierungen, die Parametergradienten als Funktion der Tiefe zeigen, sowie interaktive 3D-Visualisierungen von Dateninterpolationen im Raum zwischen den Proben (Abb. 1B). Die Dateninterpolationen können in Echtzeit ausgeführt werden, sodass Wissenschaftler unter den Meeresboden „sehen“ und die wahrscheinlichsten Orte zum Sammeln hochwertiger Proben bestimmen können. Zur Unterstützung der Entscheidungsfindung bietet DeepSee Anmerkungswerkzeuge auf den Karten zum Aufzeichnen von Notizen, die für die Kommunikation von Ergebnissen und die Planung zukünftiger Tauchgänge nützlich sind. Schließlich ist DeepSee portabel und erfordert keinen Internetzugang, sodass Wissenschaftler DeepSee auf Feldexpeditionen in abgelegenen Umgebungen verwenden können.  Um die Auswirkungen unseres Ansatzes auf die Lösung eines realen Problems zu beurteilen, haben wir DeepSee mit denselben Experten evaluiert, die auch am Designprozess beteiligt waren (Abschnitt 7). Zunächst haben wir DeepSee an Bord einer Forschungskreuzfahrt im Feld eingesetzt, um seine Fähigkeiten zu testen und zu zeigen, welche Benutzeraufgaben im Feld erledigt wurden. Dann haben wir jedes Teammitglied interviewt und Feedback zum Einsatz in mehreren Bereichen der Tiefseeforschung im Feld gesammelt, die von DeepSee beeinflusst wurden. Wir haben Folgendes gelernt:    Eine fließende Interaktion [16] und Aggregation von Daten, die auf mehreren Skalen visualisiert werden, kann Wissenschaftlern helfen, den wissenschaftlichen Ertrag begrenzter Proben zu erhöhen, indem sie neue Wege eröffnen, Fragen zu den Daten zu stellen; (1)    Die Integration von 2D- und 3D-Daten in derselben Schnittstelle kann neue Forschungsabläufe anstoßen, indem sie neue potenzielle Ziele für zukünftige Probenentnahmen aufdeckt und die langfristigen Kosten der Datenaufbereitung senkt; und (2)    Modulare Visualisierungen können Teammitgliedern mit unterschiedlichen Rollen und unterschiedlichen Forschungszielen bei der Lösung spezifischer Aufgaben helfen, wenn sie entscheiden, wo und welche Proben gesammelt werden sollen. (3)  Aus diesen Erkenntnissen haben wir Prinzipien für die Gestaltung zukünftiger Visualisierungssysteme in anderen praxisorientierten Bereichen abgeleitet:    Priorisieren Sie die Datenintegration als Benutzeraufgabe beim Entwurf und unterstützen Sie die Benutzer dabei, Daten zu verfolgen, die spontan vor Ort hinzugefügt werden. (1)    Visualisieren Sie physische Daten im Kontext der Umgebung, um ein besseres Verständnis und eine bessere Kommunikation der Erkenntnisse zu fördern. (2)    Kombination von Datentypen, um eine Brücke zwischen Analysen im Mikro- und Makromaßstab zu schlagen und so den wissenschaftlichen Nutzen begrenzter Proben zu steigern; und (3)    Entwicklung interaktiver Visualisierungen zur Unterstützung der mentalen Modellierung, die Wissenschaftlern dabei helfen, komplexe Prozesse zu verstehen und zu erforschen (4)  Insgesamt ermöglichte die Kombination aus flüssiger Interaktion, eng integrierten Daten und modularen Visualisierungen tiefe Einblicke in die Daten, die den Forschern dabei halfen, eine stärkere Intuition über die räumlichen   Verteilungen von Umweltprobendaten, um letztlich eine fundiertere zukünftige Probenauswahl zu ermöglichen.  Zusammenfassend sind die Beiträge dieses Papiers: (1) eine Charakterisierung des wissenschaftlichen Prozesses und der Designüberlegungen zur Visualisierung von Tiefsee-Ökosystemen nach einem benutzerzentrierten Designprozess; (2)   , ein interaktiver Arbeitsbereich, der die Geschichte der Probenahme von Tiefseesedimenten zur Auswahl künftiger Probenstandorte visualisiert; und (3) Überlegungen basierend auf Interviews mit Wissenschaftlern, die   eingesetzt haben, und in denen die gewonnenen Erkenntnisse und umfassenderen Auswirkungen der Nutzung von Datenvisualisierungen zur Unterstützung feldorientierter wissenschaftlicher Forschung diskutiert werden. DeepSee DeepSee  Dieses Dokument ist   . auf arxiv unter der Lizenz CC BY 4.0 DEED verfügbar  [1] DeepSee-Code: https://github.com/orphanlab/DeepSee

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Oceanography.Tech

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Get Free Unlimited IP Geo Data With IPinfo Lite

Wie DeepSee uns hilft, tiefer in die Ozeane zu blicken als je zuvor

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps