Autores:  (1) Adam Coscia, Instituto de Tecnologia da Geórgia, Atlanta, Geórgia, EUA (acoscia6@gatech.edu);  (2) Haley M. Sapers, Divisão de Ciências Geológicas e Planetárias, Instituto de Tecnologia da Califórnia, Pasadena, Califórnia, EUA (hsapers@caltech.edu);  (3) Noah Deutsch, Universidade Harvard Cambridge, Massachusetts, EUA (ndeutsch@mde.harvard.edu);  (4) Malika Khurana, The New York Times Company, Nova Iorque, Nova Iorque, EUA (malika.khurana@nytimes.com);  (5) John S. Magyar, Divisão de Ciências Geológicas e Planetárias, Instituto de Tecnologia da Califórnia Pasadena, Califórnia, EUA (jmagyar@caltech.edu);  (6) Sergio A. Parra, Divisão de Ciências Geológicas e Planetárias, Instituto de Tecnologia da Califórnia Pasadena, Califórnia, EUA (sparra@caltech.edu);  (7) Daniel R. Utter, rwipfler@caltech.edu Divisão de Ciências Geológicas e Planetárias, Instituto de Tecnologia da Califórnia Pasadena, Califórnia, EUA (dutter@caltech.edu);  (8) John S. Magyar, Divisão de Ciências Geológicas e Planetárias, Instituto de Tecnologia da Califórnia Pasadena, Califórnia, EUA (rwipfler@caltech.edu);  (9) David W. Caress, Monterey Bay Aquarium Research Institute, Moss Landing, Califórnia, EUA (caress@mbari.org);  (10) Eric J. Martin Jennifer B. Paduan Monterey Bay Aquarium Research Institute, Moss Landing, Califórnia, EUA (emartin@mbari.org);  (11) Jennifer B. Paduan, Monterey Bay Aquarium Research Institute, Moss Landing, Califórnia, EUA (paje@mbari.org);  (12) Maggie Hendrie, ArtCenter College of Design, Pasadena, Califórnia, EUA (maggie.hendrie@artcenter.edu);  (13) Santiago Lombeyda, Instituto de Tecnologia da Califórnia, Pasadena, Califórnia, EUA (santiago@caltech.edu);  (14) Hillary Mushkin, Instituto de Tecnologia da Califórnia, Pasadena, Califórnia, EUA (hmushkin@caltech.edu);  (15) Alex Endert, Instituto de Tecnologia da Geórgia, Atlanta, Geórgia, EUA (endert@gatech.edu);  (16) Scott Davidoff, Laboratório de Propulsão a Jato, Instituto de Tecnologia da Califórnia, Pasadena, Califórnia, EUA (scott.davidoff@jpl.nasa.gov);  (17) Victoria J. Orphan, Divisão de Ciências Geológicas e Planetárias, Instituto de Tecnologia da Califórnia, Pasadena, Califórnia, EUA (vorphan@caltech.edu).  Tabela de Links   Resumo e 1 Introdução   2 Trabalhos relacionados   3 Metodologia   4 Estudo do ecossistema do oceano profundo e 4.1 Objetivos da pesquisa do oceano profundo   4.2 Fluxo de trabalho e dados   4.3 Desafios de design e tarefas do usuário   5 O Sistema DeepSea  5.1 Visualização do mapa  5.2 Visão central   5.3 Visão de Interpolação e 5.4 Implementação   6 Cenários de uso e 6.1 Cenário: Planejamento pré-cruzeiro  6.2 Cenário: Tomada de decisão instantânea   7 Avaliação e 7.1 Implantação de Cruzeiro   7.2 Entrevistas com especialistas   7.3 Limitações   7.4 Lições Aprendidas   8 Conclusões e Trabalhos Futuros, Agradecimentos e Referências  RESUMO  Cientistas que estudam ecossistemas microbianos de oceanos profundos usam um número limitado de amostras de sedimentos coletadas do fundo do mar para caracterizar importantes ciclos biogeoquímicos de sustentação da vida no ambiente. No entanto, conduzir trabalho de campo para amostrar esses ambientes remotos extremos é caro e demorado, exigindo ferramentas que permitam aos cientistas explorar o histórico de amostragem de locais de campo e prever onde a coleta de novas amostras provavelmente maximizará o retorno científico. Conduzimos um estudo de design colaborativo e centrado no usuário com uma equipe de pesquisadores científicos para desenvolver o DeepSee, um espaço de trabalho de dados interativo que visualiza interpolações 2D e 3D de processos biogeoquímicos e microbianos em contexto, juntamente com o histórico de amostragem de sedimentos sobreposto em mapas 2D do fundo do mar. Com base em uma implantação de campo e entrevistas qualitativas, descobrimos que o DeepSee aumentou o retorno científico de tamanhos de amostra limitados, catalisou novos fluxos de trabalho de pesquisa, reduziu os custos de longo prazo de compartilhamento de dados e apoiou o trabalho em equipe e a comunicação entre membros da equipe com diversos objetivos de pesquisa.  CONCEITOS CCS  •       ; •  Computação centrada no ser humano → Visualização científica; Análise visual; Visualização geográfica; Sistemas e ferramentas de visualização Computação aplicada → Ciências da Terra e da atmosfera.  PALAVRAS-CHAVE  Visualização de dados, visualização científica, análise visual, estudo de design, pesquisa em oceanos profundos.   Formato de referência ACM:  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 e Victoria J. Orphan. 2024. DeepSee: visualizações multidimensionais de ecossistemas do leito marinho. Em Anais da Conferência CHI sobre Fatores Humanos em Sistemas de Computação (CHI '24), 11 a 16 de maio de 2024, Honolulu, HI, EUA. ACM, Nova York, NY, EUA, 16 páginas. https://doi.org/10.1145/3613904.3642001  1 INTRODUÇÃO  A exploração e a pesquisa em ecossistemas bentônicos de águas profundas, que vão desde as planícies abissais expansivas até os ambientes extremos físico-quimicamente heterogêneos de fontes hidrotermais e infiltrações de metano, avançaram significativamente nas últimas duas décadas. Esses avanços surgem de grandes quantidades de dados produzidos pelo desenvolvimento de novas tecnologias para mapeamento e geração de imagens autônomos do fundo do mar, sensoriamento físico-químico, medições biológicas e arquivamento de amostras [31]. Por meio de equipes multidisciplinares de cientistas que fornecem conjuntos de dados complementares sobre geologia, geoquímica, macro e microbiologia desses ecossistemas remotos, os pesquisadores do oceano profundo agora podem acessar mapas topográficos 2D e fotomosaicos coloridos do fundo do mar, permitindo a relação de coleções de amostras do fundo do mar de fontes pontuais (por exemplo, núcleos de sedimentos, rochas, animais e amostras de água) com seu contexto ambiental apropriado em escalas espaciais de centímetros a quilômetros.  No entanto, embora mapas 2D de localizações espaciais de amostras sejam valiosos, o campo atualmente carece de ferramentas de visualização que se estendam para a 3ª dimensão, ou seja, dentro do subsolo marinho. Isso apresenta vários desafios fundamentais de visualização de dados em torno da exploração de dados físico-químicos e biológicos associados de amostras dentro de seu contexto espacial. As amostras são núcleos de sedimentos – dados geoespaciais e temporais pontuais (ou seja, multidimensionais) consistindo de centenas de espécies microbianas e parâmetros físico-químicos – que estão espalhados esparsamente por várias centenas de metros do fundo do mar. Os pesquisadores realizam trabalho de campo para coletar esses núcleos de sedimentos do oceano profundo durante expedições, uma tarefa cara e demorada que requer planejamento extensivo de antemão e geralmente resulta em um número muito limitado de amostras. Ver o histórico de amostragem anterior para decidir onde amostrar em seguida pode ajudar a maximizar o tempo gasto na realização de trabalho de campo caro. Além disso, não está claro como os fluxos de trabalho de pesquisa existentes dos cientistas podem mudar ao introduzir novos recursos de visualização, tanto no planejamento antes do trabalho de campo quanto na tomada de decisões táticas no campo à medida que novas amostras são coletadas. Nossos objetivos são desenvolver um sistema que resolva os desafios de visualização na exploração de tendências espaciais entre núcleos de sedimentos no contexto de seu ambiente, implementar o sistema para medir os impactos nos fluxos de trabalho dos cientistas que conduzem trabalhos de campo em oceanos profundos e refletir sobre orientações de design mais amplas para visualizar dados de amostras multidimensionais coletados durante expedições de trabalho de campo.  Apresentamos um estudo de design colaborativo [43] conduzido com uma equipe de pesquisadores científicos estudando ecossistemas oceânicos profundos (Seção 3). Primeiro, caracterizamos seus objetivos de pesquisa, fluxos de trabalho preexistentes e práticas de dados, o que nos levou a sintetizar desafios de design e tarefas do usuário (Seção 4) para um sistema que pode ajudar os cientistas a visualizar tendências espaciais entre núcleos no contexto do ambiente, integrar dados de núcleo e mapa em vários tamanhos e escalas de tempo em uma única interface e aumentar o retorno científico (usabilidade e valor dos dados a longo prazo) do número limitado de amostras disponíveis, prevendo valores não vistos em locais não amostrados.  A partir da abstração da nossa tarefa, desenvolvemos o DeepSee (Fig. 1, Seção 5), um espaço de trabalho interativo de código aberto[1] para cientistas carregarem dados de núcleos de sedimentos e imagens de mapas e verem seu histórico de amostragem exibido em várias visualizações conectadas simultaneamente. Mapas interativos do fundo do mar entre resoluções de centímetros e quilômetros (Fig. 1A) são rotulados com informações sobre mergulhos anteriores, bem como amostras coletadas. Junto com esses mapas, o DeepSee exibe visualizações 2D que mostram gradientes de parâmetros como uma função de profundidade e visualizações 3D interativas de interpolações de dados no espaço entre as amostras (Fig. 1B). As interpolações de dados podem ser executadas em tempo real, permitindo que os cientistas "vejam" abaixo do fundo do mar e determinem os locais mais prováveis para coletar amostras de alto valor. Para dar suporte à tomada de decisões, o DeepSee fornece ferramentas de anotação nos mapas para fazer anotações, úteis para comunicar descobertas e planejar mergulhos futuros. Finalmente, o DeepSee é portátil e não requer acesso à Internet, capacitando os cientistas a usar o DeepSee em expedições de campo em ambientes remotos.  Para avaliar o impacto da nossa abordagem na resolução de um problema do mundo real, avaliamos o DeepSee com os mesmos colaboradores especialistas envolvidos no processo de design (Seção 7). Primeiro, conduzimos uma implantação inicial de campo do DeepSee a bordo de um cruzeiro de pesquisa para testar suas capacidades e ilustrar quais tarefas do usuário foram realizadas no campo. Então, entrevistamos cada membro da equipe e coletamos feedback sobre a implantação em torno de várias áreas de pesquisa de campo em oceanos profundos que o DeepSee impactou. Aprendemos que:    A interação fluida [16] e a agregação de dados visualizados em múltiplas escalas podem ajudar os cientistas a aumentar o retorno científico de amostras limitadas, permitindo novas formas de fazer perguntas sobre os dados; (1)    A integração de dados 2D e 3D na mesma interface pode catalisar novos fluxos de trabalho de pesquisa, revelando novos alvos potenciais para futuras amostragens e reduzindo o custo a longo prazo da preparação de dados; e (2)    As visualizações modulares podem ajudar os membros da equipe com diferentes funções e objetivos de pesquisa diversos a resolver tarefas específicas à medida que decidem onde e quais amostras coletar. (3)  A partir dessas descobertas, sintetizamos princípios para projetar futuros sistemas de visualização em outros domínios orientados ao trabalho de campo:    Priorizar a integração de dados como uma tarefa do usuário ao projetar, ajudando os usuários a rastrear os dados que estão sendo adicionados em tempo real no campo; (1)    Visualizar dados físicos no contexto do ambiente, promovendo uma melhor compreensão e comunicação de insights; (2)    Combinar tipos de dados para unir análises em micro e macroescala, aumentando o retorno científico em amostras limitadas; e (3)    Projetar visualizações interativas para auxiliar na modelagem mental, ajudando os cientistas a entender e explorar processos complexos (4)  No geral, a combinação de interação fluida, dados fortemente integrados e visualizações modulares forneceu uma visão profunda dos dados que ajudou os pesquisadores a construir uma intuição mais forte sobre o espaço.   distribuições de dados de amostras ambientais, facilitando, em última análise, uma seleção de amostras futuras mais informada.  Em resumo, as contribuições deste artigo são: (1) uma caracterização do processo científico e considerações de design para visualizar ecossistemas oceânicos profundos seguindo um processo de design centrado no usuário; (2)   , um espaço de trabalho interativo que visualiza o histórico de amostragem de sedimentos do fundo do mar para selecionar futuros locais de amostragem; e (3) reflexões baseadas em entrevistas com cientistas que implantaram   discutindo as lições aprendidas e os impactos mais amplos da alavancagem de visualizações de dados para dar suporte à pesquisa científica orientada ao trabalho de campo. DeepSee o DeepSee,  Este artigo está   sob a licença CC BY 4.0 DEED. disponível no arxiv  [1] Código DeepSee: https://github.com/orphanlab/DeepSee

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

Oceanography.Tech

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Make resilience your competitive advantage

Como o DeepSee nos ajuda a enxergar mais profundamente os oceanos do que nunca

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps