Ekolod används vanligtvis för att kartlägga havsbotten, och havsbottenkomposition (t.ex. lera, lera eller sten) påverkar hur ljudet reflekteras tillbaka. Salthalt, djup och vattentemperatur påverkar också hur ljudvågor sprids genom vatten.

Detta innebär att ekolodsmätningar på olika djup och avstånd kan ge exakta ljud av havets egenskaper, till exempel hur undervattensströmmar sprider sig, hur det djupare havet förändras med klimatet eller var man bäst lyssnar på valar.

Arbetar med Systems Engineering &Assessment Ltd (SEA), forskare vid University's Institute for Mathematical Innovation (IMI) har utvecklat en artificiell intelligens (AI) algoritm som kan förbättra undervattenskartläggning genom att känna till ofullständiga data och räkna ut hur många mätningar som behövs för att ge en korrekt undersökning.

Forskningen var en del av ett projekt som The Defence and Security Accelerator (DASA) kontrakterade, en del av försvarsministeriet, för att förbättra övervakningen av Storbritanniens stora marina territorier med hjälp av högteknologiska ekolod. SEA ledde projektet och tillhandahöll simulerade ekoloddata för att träna och testa AI -algoritmerna som utvecklats av IMI.

Tekniken kan också potentiellt användas för havstomografi över hela havsområden, som Arktis, att studera effekterna av klimatförändringar på haven och bättre möjliggöra hållbarhet för mänskliga aktiviteter i bräckliga miljöer och ekosystem.

Universitetslektor Dr. Philippe Blondel, från University's Center for Space, Atmosfärisk och oceanisk vetenskap, arbetade på projektet tillsammans med maskininlärningsexperten professor Mike Tipping från IMI.

Dr Blondel sa:"Det finns många olika variabler som påverkar hur ljudvågor sprids i vatten, eftersom vissa ljudfrekvenser kan resa längre än andra.

"Om du tänker på ljudet av en orkester, när du går längre bort, du kan tappa fiolens högfrekventa ljud men ändå kunna höra cellornas lägre frekvensnoter. Trummans slag skulle kännas ännu längre.

"Detta är detsamma med havsljud, som kommer från vädret, som regn och stormar, djuren, som valar och fiskar, men också människor, med fartyg och offshoreverksamhet.

"För det här projektet ville vi modellera hur ekolod förändrats med djup, salthalt och temperatur så att vi kunde använda ljud för att mäta dessa variabler i havet. "

Forskarna analyserade först de många egenskaperna hos undervattensmiljöer och klassificerade dem i olika typer.

De använde Probabilistic Generative Modeling för att utveckla flera AI -algoritmer för att identifiera undervattensmiljöer.

Efter att ha utvecklat AI -algoritmen, forskarna testade dess prestanda på ett brett spektrum av simulerade akustiska data som representerar ett brett spektrum av undervattensmiljöer.

Testerna visade att deras Probabilistic Principal Component Analysis (PPCA) algoritm kunde klassificera undervattensmiljöer från simulerade ekolodsmätningar med en genomsnittlig noggrannhet på 93%.

En alternativ Latent Variable Gaussian Process (LVGP) -modell visade också stark prestanda och gjorde det möjligt för dem att uppnå en ännu högre klassificeringsnoggrannhet på 96%.

Simuleringarna visade att korrekt klassificering kan ske även med ekolodsmätningar över korta rumsliga intervall, gör den lämplig för praktisk användning t.ex. med långsamma autonoma fordon.

Marcus Donnelly, Technical Lead in Environmental Data Science på SEA Ltd, sade:"Detta projekt överträffade alla våra förväntningar på AI -algoritmer som tillämpas på ekolodets komplexitet i undervattensmiljön.

"Vi ser fram emot att fortsätta vårt samarbete med IMI efter positiv feedback från MoD."

Forskarna räknar med att tekniken kan användas i framtiden för att övervaka effekterna av klimatförändringar.

Dr Blondel sa:"Klimatforskare övervakar ljudutbredning i havet runt polerna för att observera temperaturförändringar över tid. Våra tekniker kan hjälpa till att avgöra var man bäst kan hitta övervakningsstationer för att ge de mest omfattande data med optimalt antal mätningar."