Hidrológiai Közlöny, 2020 (100. évfolyam)
2020 / 1. szám
62 Hidrológiai Közlöny 2020. 100. évf. 1. sz. deranyag szemösszetétel nagy területi változékonyságot mutat, ahol pl. iszapos-homok meder és durva kavics egyaránt megtalálható, a hidromorfológiai folyamatok is öszszetettek, amiknek részletes vizsgálata sokszor megköveteli, hogy a mederanyag fizikai jellemzőiről is térképszerű adatok álljanak rendelkezésre. Ebben a cikkben egy, ezen a területen merőben új eljárást ismertetünk, amely mesterséges intelligencia felhasználásával képes a szemösszetétel meghatározására. A geomorfológia területein, mind a föld- és víztudományban, régóta kutatott téma a folyómedrek, illetve folyópartok anyagának szemösszetétele, amit megfelelő pontossággal és alacsony költséggel szeretnénk megállapítani. Az elmúlt években már korábban ismert technikák együttes használatán, valamint ezek továbbfejlesztésén volt a hangsúly. Ilyen például a közvetlen fizikai méréseket nem igénylő eljárás (Langhammer és társai 2017), amely drónfelvételek alapján fotogrammetriai, illetve optikai digitális granulometriát alkalmaz. Az eljárás a klaszszikus optikai granulometriához hasonló pontossággal szolgált a vizsgálatok során. Szintén pontos eredményeket hozott a szemcseméretek térbeli eloszlását vizsgáló Structure-from-Motion (SfM) módszer (Pearson és társai 2017), amely nagy kiterjedésű területek vizsgálatára képes. A szerzők szerint az eljárás által kinyert adatok hozzájárulnak majd a háromdimenziós áramlástani modellezéshez. Az adatok segítségével a folyók alsó szakaszain gyors geomorfológiai monitorozás valósítható meg. Ez a módszer komoly fejlődést mutatott a korábban ismert hasonló eljárásokhoz képest, leginkább az átlagos szemcseméret megállapítása terén, azonban a kisebb területű, elszórtan elhelyezkedő, nagy varianciájú területrészek jellemzése terén gyengén teljesített, ezért az ipari alkalmazáshoz még további fejlesztéseket igényel. Az SfM eljárásokban nagy potenciál rejlik, amit felismertek a terület kutatói, így az elmúlt években további módszereket is kifejlesztettek erre az eljárástípusra támaszkodva. Egy nemrégiben publikált cikkben a szerzők (Deter és társai 2018) szintén ehhez a fotogrammetriai eszközhöz nyúltak, és légifelvételek alapján próbálták meghatározni egy folyómeder szemcseméreti karakterisztikáit, amihez egy akciókamerát, illetve egy kézi digitális kamerát használtak. A digitális domborzatmodell pontossága, amelyet a kamerákkal készített képekből számítottak, vetekszik a lézer kamerák által készített modellekével. Ezen az eljáráson kívül klasszikus fizikai mintavételezést is végeztek a modell validálása érdekében, amely megerősíti a korábban az eljárás pontosságával kapcsolatban kijelentetteket, vagyis a módszer, melyet alkalmaztak, nagy potenciával rendelkezik a szemcseméreti karakterisztika pontos becslése terén. Léteztek próbálkozások tisztán képalapú feldolgozásra is. Ezek az eljárások a mindennapokban használt kamerák képei alapján próbálták meg szegmentálni a felszínről készült képet. Ez rendkívül költséghatékony és mindenki számára könnyen alkalmazható módszer lett volna. A legjelentősebb ezek közül egy fix képhalmazra épülő eljárás (Graham és társai 2005), amely előre meghatározott magasságból készülő, kis mennyiségű képet használt. Itt a kutatók az addig a legtöbb területen használt ún. Otsu algoritmust alkalmazták (Otsu 1979) a képek szegmentálására, amely szürkeámyalatos képeket bont két jól elkülöníthető osztályra, egy, az algoritmus által meghatározott küszöbérték szerint. Ez az algoritmus nagyon gyors, azonban a használhatósága rendkívül korlátozott, mivel csak két osztály különíthető el, és összetettebb osztálystruktúrákat már képtelen kezelni. A fent említett eljárások nagy problémája, hogy általában kis mintahalmazt használnak, és emellett túl nagy térbeli pontosságra törekednek a meder- vagy partanyag meghatározásánál. A meder- és partfelszínek az idő változását tekintve túl nagy térbeli, helyváltoztatási varianciával rendelkeznek, így egy valószínűségekre támaszkodó, sztochasztikus eljárás nagyobb és összetettebb folyószakaszokról pontosabb, a valóságot jobban leképező eredményt adhatna. Továbbá a fenti módszerek gyengesége, hogy maga az eljárások alkalmazása nem automatizált, hanem egy mind a számítógépes látás, mind a geomorfológia területén jártas, szaktudással rendelkező személyt igényel. Mint látható, eddig ezen a területen nem foglalkoztak behatóbban a mesterséges intelligencián alapuló módszerek alkalmazásával, azonban ez a hozzáállás a közeljövőben feltehetően megváltozik majd, mivel az elmúlt két évtizedben olyan változások mentek végbe a számítástechnikában és a nagy számításigényű műveletek végrehajtása terén, amelyek új technikák alkalmazását segítik elő. Az változás első fontos jellemzője, hogy a mikroprocesszorok mérete és az általuk elvégezhető műveletek száma rendkívül precízen követte Moore törvényét (Schalter 1997), amely kimondja, hogy az integrált áramkörben lévő tranzisztorok száma körülbelül kétévente megduplázódik. További hardver alapú fejlemény a GPU-k (Graphics Processing Unit - Grafikai Processzor) teljesítményének a fejlődése, ami az utóbbi 10- 15 évben vált jelentőssé. A hardveres gyorsuláson kívül fontos, hogy új technológiák, iparágak és vállalatok, vállalattípusok jelentek meg. Az elsőre jó példa az Internet és a mobil technológia térnyerése, az utóbbiakra a kereső, közösségi média és olyan szolgáltató óriások megjelenése, mint amilyen a Google, Facebook vagy az Amazon. Ezen cégek felemelkedésével egy új erőforrás vált ismertté: az adat. Ezt a hatalmas mennyiségű adatot nevezzük Big Data-nak, amelyet ezek a cégek a mindannyiunk zsebében ott lapuló mobil eszközök, illetve IoT eszközök (Internet of Things) szenzoraiból nyernek. A manapság tapasztalható mesterséges intelligencia és automatizálási forradalmat ez az adatbőség hajtja. A gépi tanulási módszerek szempontjából a legfontosabb aspektus, hogy milyen mennyiségben áll rendelkezésre adat, ugyanis kellően nagy mennyiségű tanító adat mellett a különböző modellek majdnem ugyanolyan pontosságot nyújtanak (Bankó és Brill 2001). A ma létező mesterséges intelligencia még csak speciális feladatok ellátására képes, egy általános mesterséges intelligencia kifejlesztése még évtizedeket vehet igénybe, ezért fontos felismernünk, hogy mely területeken használható effektiven. Gazdasági szempontból a legtöbb hasznot jelenleg a digitális marketing területén termelhetjük a Mély Tanulás algoritmusokkal. Ez látszik abból is, hogy manapság egy egész iparág épül a személyre szabott hirdetések előállítására és minél inkább adaptálóbbá tételére.
