Szerzői:  (1) Adam Coscia, Georgia Institute of Technology, Atlanta, Georgia, USA (acoscia6@gatech.edu);  (2) Haley M. Sapers, Földtani és Bolygótudományi Osztály, California Institute of Technology, Pasadena, California, 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, Földtani és Bolygótudományi Osztály, California Institute of Technology Pasadena, California, USA (jmagyar@caltech.edu);  (6) Sergio A. Parra, Földtani és Bolygótudományi Osztály, California Institute of Technology Pasadena, California, USA (sparra@caltech.edu);  (7) Daniel R. Utter, rwipfler@caltech.edu Földtani és Bolygótudományi Osztály, California Institute of Technology Pasadena, Kalifornia, USA (dutter@caltech.edu);  (8) John S. Magyar, Földtani és Bolygótudományi Osztály, California Institute of Technology Pasadena, California, USA (rwipfler@caltech.edu);  (9) David W. Caress, Monterey Bay Aquarium Research Institute, Moss Landing, California, USA (caress@mbari.org);  (10) Eric J. Martin Jennifer B. Paduan Monterey Bay Aquarium Research Institute, Moss Landing, California, USA (emartin@mbari.org);  (11) Jennifer B. Paduan, Monterey Bay Aquarium Research Institute, Moss Landing, California, USA (paje@mbari.org);  (12) Maggie Hendrie, ArtCenter College of Design, Pasadena, California, USA (maggie.hendrie@artcenter.edu);  (13) Santiago Lombeyda, California Institute of Technology, Pasadena, California, USA (santiago@caltech.edu);  (14) Hillary Mushkin, California Institute of Technology, Pasadena, California, 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, California, USA (scott.davidoff@jpl.nasa.gov);  (17) Victoria J. Orphan, Földtani és Bolygótudományi Osztály, California Institute of Technology, Pasadena, California, USA (vorphan@caltech.edu).  Hivatkozások táblázata   Absztrakt és 1 Bevezetés   2 Kapcsolódó munka   3 Módszertan   4 Mélyóceáni ökoszisztéma tanulmányozása és 4.1 Mélyóceáni kutatási célok   4.2 Munkafolyamat és adatok   4.3 Tervezési kihívások és felhasználói feladatok   5 A DeepSea rendszer  5.1 Térképnézet  5.2 Alapnézet   5.3 Interpolációs nézet és 5.4 Megvalósítás   6 használati forgatókönyvek és 6.1 forgatókönyv: körút előtti tervezés  6.2 Forgatókönyv: Menet közbeni döntéshozatal   7 Értékelés és 7.1 Hajózás bevetése   7.2 Szakértői interjúk   7.3 Korlátozások   7.4 Leckék   8 Következtetések és jövőbeni munkák, köszönetnyilvánítások és hivatkozások  ABSZTRAKT  A mélyóceáni mikrobiális ökoszisztémákat tanulmányozó tudósok korlátozott számú, a tengerfenékről gyűjtött üledékmintát használnak a környezetben zajló fontos, életfenntartó biogeokémiai ciklusok jellemzésére. A terepmunka azonban költséges és időigényes, hogy ezekből a szélsőségesen távoli környezetekből mintát vegyen, és olyan eszközökre van szükség, amelyek lehetővé teszik a tudósok számára, hogy feltárják a terepi helyszínek mintavételi előzményeit, és megjósolják, hol lehet az új minták vétele a lehető legnagyobb tudományos megtérülést. Együttműködésen alapuló, felhasználóközpontú tervezési tanulmányt végeztünk tudományos kutatócsoporttal, hogy kifejleszthessünk egy olyan DeepSee-t, egy interaktív adatmunkateret, amely a biogeokémiai és mikrobiális folyamatok 2D-s és 3D-s interpolációit jeleníti meg kontextusban, valamint a 2D-s tengerfenék-térképeken szereplő üledékmintavételi előzményeket. A helyszíni bevetés és a kvalitatív interjúk alapján azt találtuk, hogy a DeepSee növelte a korlátozott mintaméretből származó tudományos megtérülést, katalizálta az új kutatási munkafolyamatokat, csökkentette az adatok megosztásának hosszú távú költségeit, és támogatta a csapatmunkát és a kommunikációt a csapattagok között a különböző kutatási célokkal.  CCS FOGALMAK  •       ; •  Emberközpontú számítástechnika → Tudományos vizualizáció; Vizuális elemzés; Földrajzi megjelenítés; Vizualizációs rendszerek és eszközök Alkalmazott számítástechnika → Föld- és légkörtudományok.  KULCSSZAVAK  Adatvizualizáció, tudományos vizualizáció, vizuális elemzés, tervezési tanulmány, mélytengeri kutatás.   ACM referenciaformátum:  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 és Victoria J. Orphan. 2024. DeepSee: Tengerfenéki ökoszisztémák többdimenziós vizualizációi. In Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI '24), 2024. május 11–16., Honolulu, HI, USA. ACM, New York, NY, USA, 16 oldal. https://doi.org/10.1145/3613904.3642001  1 BEVEZETÉS  A mélytengeri bentikus ökoszisztémák feltárása és kutatása, a kiterjedt mélységi síkságtól a hidrotermális szellőzőnyílások és metánszivárgások fizikai-kémiailag heterogén extrém környezeteiig, jelentősen előrehaladt az elmúlt két évtizedben. Ezek az előrelépések az autonóm tengerfenék-térképezés és -képalkotás, a fizikai-kémiai érzékelés, a biológiai mérések és a mintaarchívum új technológiáinak kifejlesztése során előállított hatalmas mennyiségű adatból származnak [31]. Az e távoli ökoszisztémák geológiájáról, geokémiájáról, makro- és mikrobiológiájáról kiegészítő adathalmazokat biztosító, multidiszciplináris tudóscsoportokon keresztül a mélyóceán kutatói hozzáférhetnek a tengerfenék 2D-s topográfiai térképeihez és színes fotomozaikjaihoz, lehetővé téve a pontforrású tengerfenéki minták kapcsolatát. gyűjtemények (pl. üledékmagok, kőzet-, állat- és vízminták) megfelelő környezeti kontextusukkal centiméterről kilométerre térbeli léptékek.  Míg azonban a minták térbeli elhelyezkedésének 2D-s térképei értékesek, a mező jelenleg nem rendelkezik olyan vizualizációs eszközökkel, amelyek a 3. dimenzióba, azaz a tengerfenéken belülre terjednek ki. Ez számos alapvető adatvizualizációs kihívást jelent a minták kapcsolódó fizikai-kémiai és biológiai adatainak térbeli összefüggésében történő feltárása körül. A minták üledékmagok – több száz mikrobiális fajból és fizikai-kémiai paraméterekből álló pontonkénti tér- és időbeli (azaz többdimenziós) adatok, amelyek elszórtan oszlanak el több száz méternyi tengerfenéken. A kutatók terepmunkát végeznek, hogy expedíciók során összegyűjtsék ezeket az üledékmagokat az óceán mélyéből. Ez egy költséges és időigényes feladat, amely előzetes alapos tervezést igényel, és általában nagyon korlátozott számú mintát eredményez. Ha megnézi a korábbi mintavételi előzményeket, és eldönti, hol vegyen következő mintát, az segíthet maximalizálni a költséges terepmunkával töltött időt. Továbbá nem világos, hogy a tudósok meglévő kutatási munkafolyamatai hogyan változhatnak új vizualizációs képességek bevezetésével, mind a terepmunka előtti tervezésben, mind a taktikai döntéshozatalban a terepen, amikor új mintákat gyűjtenek. Célunk egy olyan rendszer kifejlesztése, amely megoldja a vizualizációs kihívásokat az üledékmagok közötti térbeli trendek feltárása során, környezetük kontextusában, a rendszer bevezetése a mélytengeri terepmunkát végző tudósok munkafolyamataira gyakorolt hatások mérésére, valamint a vizualizáláshoz szükséges szélesebb körű tervezési útmutatások átgondolása. terepi expedíciók során gyűjtött többdimenziós mintaadatok.  Bemutatunk egy kollaboratív tervezési tanulmányt [43], amelyet tudományos kutatók egy csoportjával végeztek, akik mélytengeri ökoszisztémákat vizsgáltak (3. fejezet). Először jellemeztük kutatási céljaikat, a meglévő munkafolyamatokat és adatgyakorlatokat, aminek köszönhetően szintetizáltuk a tervezési kihívásokat és a felhasználói feladatokat (4. fejezet) egy olyan rendszerhez, amely segíthet a tudósoknak a magok közötti térbeli trendek megjelenítésében a környezet kontextusában, integrálni a mag- és térképadatokat. több méretben és időskálában egyetlen felületen, és növeli a tudományos megtérülést (az adatok hosszú távú használhatósága és értéke) a rendelkezésre álló korlátozott számú mintából a nem látott értékek előrejelzésével mintavétel nélküli helyeken.  Feladatabsztrakciónkból kifejlesztettük a DeepSee-t (1. ábra, 5. rész), egy nyílt forráskódú[1], interaktív munkaterületet a tudósok számára az üledékmagadatok és térképképek feltöltésére, valamint a mintavételi előzmények megtekintésére több összekapcsolt nézetben egyszerre. A tengerfenék centiméteres és kilométeres felbontású interaktív térképein (1A. ábra) a korábbi merülések adatai, valamint a gyűjtött minták szerepelnek. A térképek mellett a DeepSee 2D vizualizációkat jelenít meg, amelyek paraméter gradienseket jelenítenek meg a mélység függvényében, valamint interaktív 3D-s adatinterpolációkat a minták közötti térben (1B. ábra). Az adatok interpolációi valós időben futtathatók, így a tudósok „láthatnak” a tengerfenék alá, és meghatározhatják a nagy értékű minták gyűjtésének legvalószínűbb helyeit. A döntéshozatal támogatására a DeepSee jegyzetelési eszközöket biztosít a térképeken a jegyzetek készítéséhez, amelyek hasznosak az eredmények közléséhez és a jövőbeli merülések megtervezéséhez. Végül, a DeepSee hordozható, és nem igényel internet-hozzáférést, lehetővé téve a tudósok számára, hogy távoli környezetben is használják a DeepSee-t terepi expedíciókon.  Annak érdekében, hogy felmérjük megközelítésünk hatását egy valós probléma megoldására, a DeepSee-t ugyanazokkal a szakértői munkatársakkal értékeltük, akik részt vettek a tervezési folyamatban (7. fejezet). Először is végrehajtottuk a DeepSee kezdeti helyszíni telepítését egy kutatási körút során, hogy teszteljük a képességeit, és bemutassuk, mely felhasználói feladatokat hajtották végre a terepen. Ezután minden csapattaggal interjút készítettünk, és visszajelzéseket gyűjtöttünk a mélytengeri terepkutatás számos olyan területéről, amelyekre a DeepSee hatással volt. Megtudtuk, hogy:    A folyékony kölcsönhatás [16] és a több léptékben megjelenített adatok összesítése segítheti a tudósokat abban, hogy növeljék a korlátozott minták tudományos megtérülését azáltal, hogy új módszereket tesznek lehetővé az adatokkal kapcsolatos kérdések feltevésére; (1)    A 2D és 3D adatok egyazon interfészbe történő integrálása új kutatási munkafolyamatokat katalizálhat azáltal, hogy új potenciális célpontokat talál a jövőbeni mintavételhez, és csökkenti az adatok előkészítésének hosszú távú költségeit; és (2)    A moduláris vizualizációk segíthetik a különböző szerepkörrel és változatos kutatási célokkal rendelkező csapattagokat konkrét feladatok megoldásában, miközben eldöntik, hol és milyen mintákat gyűjtsenek. (3)  Ezekből az eredményekből szintetizáltuk a jövőbeli vizualizációs rendszerek tervezésének alapelveit más terepmunka által vezérelt területeken:    A tervezés során az adatintegrációt, mint felhasználói feladatot részesítse előnyben, segítve a felhasználókat a terepen menet közben hozzáadott adatok nyomon követésében; (1)    Vizualizálja a fizikai adatokat a környezet kontextusában, elősegítve a betekintések jobb megértését és kommunikációját; (2)    Az adattípusok kombinálása a mikro- és makroléptékű elemzés áthidalása érdekében, növelve a korlátozott minták tudományos megtérülését; és (3)    Tervezzen interaktív vizualizációkat a mentális modellezés elősegítésére, segítve a tudósokat az összetett folyamatok megértésében és feltárásában (4)  Összességében a folyékony interakció, a szorosan integrált adatok és a moduláris vizualizációk kombinációja mély betekintést nyújtott az adatokba, amelyek segítettek a kutatóknak erősebb intuíciót kialakítani a térben.   a környezeti mintaadatok eloszlását, végső soron elősegítve a tájékozottabb jövőbeni mintaválasztást.  Összefoglalva, e cikk hozzájárulásai a következők: (1) a tudományos folyamat jellemzése és a mélytengeri ökoszisztémák felhasználó-központú tervezési folyamatot követő tervezési szempontjai; (2)   , egy interaktív munkaterület, amely megjeleníti a mélytengeri üledékmintavétel történetét a jövőbeni mintahelyek kiválasztásához; és (3)   alkalmazó tudósokkal készített interjúkon alapuló gondolatok, amelyek megvitatják a tanulságokat és az adatvizualizációk szélesebb körű hatásait a terepmunka által vezérelt tudományos kutatás támogatására. DeepSee a DeepSee-t  Ez a papír a CC BY 4.0 DEED licenc alatt   . érhető el az arxiv oldalon  [1] DeepSee kód: https://github.com/orphanlab/DeepSee

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

Oceanography.Tech

Ez a hanganyag a történet eredeti nyelvén készült!

Hogyan segít a DeepSee mélyebbre látni az óceánokba, mint valaha

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

Hubble Protocol, a DeFi project on Solana Raises $10 Million Led By Crypto.com Capital, DCG and CMS

On OpenAI Failed Board Coup of Sam Altman & the Danger of Leaving AI Fate in the Hands of a Few

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

How Emoji Credibility Indicators Add Context to HackerNoon Stories

Hubble Protocol, a DeFi project on Solana Raises $10 Million Led By Crypto.com Capital, DCG and CMS

On OpenAI Failed Board Coup of Sam Altman & the Danger of Leaving AI Fate in the Hands of a Few

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

How Emoji Credibility Indicators Add Context to HackerNoon Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps