Identifiera geologiska särdrag i en tätt vegeterad, brant, och grov terräng kan vara nästan omöjligt. Bilder som LiDAR kan hjälpa forskare att se igenom trädtäcket, men subtila landformer kan ofta missas av det mänskliga ögat.

Nu, ett team av forskare har utnyttjat kraften i maskininlärning för att identifiera dolda geologiska funktioner. Specifikt, forskarna identifierar tidigare oidentifierade grottingångar som är svåra att se i bilder, och svårt att komma åt på marken.

Leila Donn, en doktorand vid University of Texas i Austin och huvudförfattare till den nya forskningen, presenterar resultaten av sin forskning på söndag vid The Geological Society of America's årsmöte i Phoenix.

Forskningen inspirerades delvis av den frodiga, svåråtkomliga områden i tropiska skogar. "Vi såg behovet av att få LiDAR -täckning för våra djupa tropiska skogsområden, "säger Timothy Beach, medförfattare till forskningen. "LiDAR -bilder har visat mycket arkeologi, men vi visste också att de kunde visa mycket ny geologi och många nya interaktioner mellan människor och miljö. "

Projektet inspirerades också av Donn's egna fältupplevelser. Medan han hjälper en kollega att leta efter grottingångar i Guatemala, de skulle hitta en plats som såg lovande ut på LiDAR -bilderna, sedan vandra hela dagen till platsen. "Det var riktigt roligt, men på riktigt, verkligen arbetskrävande, "säger Donn. Och ibland ledde deras dagslånga vandring till en plats som inte alls var en grotta-en frustrerande situation." Medan vi var ute och gjorde det här, Jag trodde, "Tänk om vi kunde göra det här med maskininlärning?" "Hon förklarar att istället för att forskarna plockar ut möjliga platser för ögat, datorn skulle göra identifiering, avslöjar de mest lovande platserna.

För att testa om maskininlärning kan hjälpa dem att begränsa sig till intressanta geologisidor, Donn och Beach fokuserade på ett område i nordvästra Belize som var starkt växtligt och svårt att komma åt. De koncentrerade sig på att hitta grottingångar djupt inne i skogen som ännu inte hade avslöjats.

Med LiDAR -bilder som samlats in från en liknande webbplats med mappade grottor, Donn ritade platsen för kända grottingångar, tillsammans med punkter som inte var grottor. Hon samlade sedan in information om landskapet, inklusive lutning, terrängens grovhet, och avstånd till vattendrag. Denna information sammanställdes i ett kalkylblad och matades in i maskininlärningen som ett sätt att "lära datorn hur man förutspår vad som är en grotta och vad som inte är, säger Donn.

Under sommaren, Donn hackade genom djungeln för att sanna de områden där grottor hade identifierats med maskininlärning. Hon bekräftade att ett antal tidigare ej kartlagda grottingångar verkligen fanns i landskapet, inklusive en mycket stor överraskning.

"Det coolaste vi hittade var ett sinkhål som var ett grottkomplex som kollapsade, "säger Donn. Hon sa att fyndet kom efter en otroligt hård vandring genom tät växtlighet. Trots att den var 60 meter lång, 30 meter bred, och 35 meter djup, "Du kunde inte se det förrän du var ovanpå det, " hon säger.

När hon var tillbaka i labbet, Donn sa att hon gick tillbaka till LiDAR med fräscha ögon för att se om grottans ingång nu skulle dyka upp ur bilderna. "När jag gick tillbaka till platsen och tittade på LiDAR, det var synligt, " hon säger, men hon noterar att utan att veta att det var där, hon skulle nog inte ha känt igen det som en grottingång. "Programmet hittade det för mig."

Hennes maskininlärning kan också ta upp mycket mindre grottor, säger Donn. "En av dem var en liten grotta med en ingång som kanske var en och en halv meter lång och bara 30 fot djup." Och på LiDAR, hon säger att mindre grotta var osynlig för blotta ögat.

Donn säger att hennes program kan användas för geologiska studier, som att hitta och studera oupptäckta grottor. Men hon ser också ansökningar om andra discipliner som arkeologi, skogsförvaltning, Urban utveckling, och markförvaltning. "Jag ser att det här har en framtid utanför akademin, " hon säger.

"Det Leila gör är en spännande koppling mellan geovetenskapens historia och framtiden, "säger Beach. Ett projekt som detta, han säger, "kommer från denna förmåga att komma in på mycket svåra platser som de flesta av oss inte kan komma in på, men också då denna kreativa vinkel att få maskinen att lära sig hur man gör det också. "