Cómo DeepSee nos ayuda a ver los océanos más profundamente que nunca

Tabla de enlaces

Resumen y 1 Introducción

2 Trabajos relacionados

3 Metodología

4. Estudio del ecosistema de las profundidades oceánicas y 4.1. Objetivos de la investigación de las profundidades oceánicas

4.2 Flujo de trabajo y datos

4.3 Desafíos de diseño y tareas del usuario

5 El sistema DeepSea

• 5.1 Vista del mapa
• 5.2 Vista del núcleo

5.3 Vista de interpolación y 5.4 Implementación

6 Escenarios de uso y 6.1 Escenario: Planificación previa al crucero

• 6.2 Escenario: toma de decisiones sobre la marcha

7 Evaluación y 7.1 Despliegue de crucero

7.2 Entrevistas a expertos

7.3 Limitaciones

7.4 Lecciones aprendidas

8 Conclusiones y trabajo futuro, agradecimientos y referencias

ABSTRACTO

Los científicos que estudian los ecosistemas microbianos de las profundidades oceánicas utilizan cantidades limitadas de muestras de sedimentos recolectadas del fondo marino para caracterizar importantes ciclos biogeoquímicos que sustentan la vida en el medio ambiente. Sin embargo, realizar trabajo de campo para muestrear estos entornos extremadamente remotos es costoso y lleva mucho tiempo, y requiere herramientas que permitan a los científicos explorar el historial de muestreo de los sitios de campo y predecir dónde es probable que la toma de nuevas muestras maximice el rendimiento científico. Realizamos un estudio de diseño colaborativo centrado en el usuario con un equipo de investigadores científicos para desarrollar DeepSee, un espacio de trabajo de datos interactivo que visualiza interpolaciones 2D y 3D de procesos biogeoquímicos y microbianos en contexto junto con el historial de muestreo de sedimentos superpuesto en mapas 2D del fondo marino. Con base en un despliegue de campo y entrevistas cualitativas, descubrimos que DeepSee aumentó el rendimiento científico a partir de tamaños de muestra limitados, catalizó nuevos flujos de trabajo de investigación, redujo los costos a largo plazo de compartir datos y respaldó el trabajo en equipo y la comunicación entre los miembros del equipo con diversos objetivos de investigación.

CONCEPTOS DE CCS

• Computación centrada en el ser humano → Visualización científica; Analítica visual; Visualización geográfica; Sistemas y herramientas de visualización ; • Computación aplicada → Ciencias de la tierra y la atmósfera.

PALABRAS CLAVE

Visualización de datos, visualización científica, análisis visual, estudio de diseño, investigación en aguas profundas.

Formato de referencia 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 y Victoria J. Orphan. 2024. DeepSee: Visualizaciones multidimensionales de ecosistemas marinos. En Actas de la Conferencia CHI sobre factores humanos en sistemas informáticos (CHI '24), 11-16 de mayo de 2024, Honolulu, HI, EE. UU. ACM, Nueva York, NY, EE. UU., 16 páginas. https://doi.org/10.1145/3613904.3642001

1 INTRODUCCIÓN

La exploración y la investigación de los ecosistemas bentónicos de aguas profundas, que abarcan desde las extensas llanuras abisales hasta los ambientes extremos fisicoquímicamente heterogéneos de los respiraderos hidrotermales y las filtraciones de metano, han avanzado significativamente en las últimas dos décadas. Estos avances surgen de las enormes cantidades de datos producidos por el desarrollo de nuevas tecnologías para el mapeo y la obtención de imágenes autónomas del fondo marino, la detección fisicoquímica, las mediciones biológicas y el archivo de muestras [31]. A través de equipos multidisciplinarios de científicos que proporcionan conjuntos de datos complementarios sobre la geología, la geoquímica, la macro y la microbiología de estos ecosistemas remotos, los investigadores de las profundidades oceánicas ahora pueden acceder a mapas topográficos 2D y fotomosaicos en color del fondo marino, lo que permite la relación de colecciones de muestras del fondo marino de fuentes puntuales (por ejemplo, núcleos de sedimentos, rocas, animales y muestras de agua) con su contexto ambiental apropiado a escalas espaciales de centímetros a kilómetros.

Sin embargo, si bien los mapas 2D de las ubicaciones espaciales de las muestras son valiosos, el campo actualmente carece de herramientas de visualización que se extiendan a la tercera dimensión, es decir, dentro del subsuelo marino. Esto presenta varios desafíos fundamentales de visualización de datos en torno a la exploración de datos fisicoquímicos y biológicos asociados de las muestras dentro de su contexto espacial. Las muestras son núcleos de sedimentos (datos geoespaciales y temporales puntuales (es decir, multidimensionales) que consisten en cientos de especies microbianas y parámetros fisicoquímicos) que se distribuyen de manera dispersa en varios cientos de metros del fondo marino. Los investigadores realizan trabajo de campo para recolectar estos núcleos de sedimentos de las profundidades del océano durante las expediciones, una tarea costosa y que consume mucho tiempo que requiere una amplia planificación previa y generalmente da como resultado un número muy limitado de muestras. Ver el historial de muestreo anterior para decidir dónde muestrear a continuación puede ayudar a maximizar el tiempo dedicado a realizar un costoso trabajo de campo. Además, no está claro cómo podrían cambiar los flujos de trabajo de investigación existentes de los científicos al introducir nuevas capacidades de visualización, tanto en la planificación antes del trabajo de campo como en la toma de decisiones tácticas en el campo a medida que se recolectan nuevas muestras. Nuestros objetivos son desarrollar un sistema que resuelva los desafíos de visualización en la exploración de tendencias espaciales entre núcleos de sedimentos en el contexto de su entorno, implementar el sistema para medir los impactos en los flujos de trabajo de los científicos que realizan trabajo de campo en aguas profundas y reflexionar sobre una guía de diseño más amplia para visualizar datos de muestras multidimensionales recopilados durante expediciones de trabajo de campo.

Presentamos un estudio de diseño colaborativo [43] realizado con un equipo de investigadores científicos que estudian los ecosistemas de las profundidades oceánicas (Sección 3). Primero caracterizamos sus objetivos de investigación, flujos de trabajo preexistentes y prácticas de datos, lo que nos llevó a sintetizar los desafíos de diseño y las tareas de los usuarios (Sección 4) para un sistema que puede ayudar a los científicos a visualizar tendencias espaciales entre núcleos en el contexto del entorno, integrar datos de núcleos y mapas en múltiples escalas de tamaño y tiempo en una única interfaz, y aumentar el rendimiento científico (utilidad a largo plazo y valor de los datos) a partir del número limitado de muestras disponibles al predecir valores no vistos en ubicaciones no muestreadas.

A partir de nuestra abstracción de tareas, desarrollamos DeepSee (Fig. 1, Sect. 5), un espacio de trabajo interactivo de código abierto[1] para que los científicos carguen datos de núcleos de sedimentos e imágenes de mapas y vean su historial de muestreo en múltiples vistas conectadas simultáneamente. Los mapas interactivos del fondo marino con una resolución de entre centímetros y kilómetros (Fig. 1A) están etiquetados con información sobre inmersiones anteriores, así como muestras recolectadas. Junto con estos mapas, DeepSee muestra visualizaciones 2D que muestran gradientes de parámetros en función de la profundidad y visualizaciones 3D interactivas de interpolaciones de datos en el espacio entre muestras (Fig. 1B). Las interpolaciones de datos se pueden ejecutar en tiempo real, lo que permite a los científicos "ver" debajo del fondo marino y determinar los lugares más probables para recolectar muestras de alto valor. Para respaldar la toma de decisiones, DeepSee proporciona herramientas de anotación en los mapas para tomar notas, útiles para comunicar hallazgos y planificar futuras inmersiones. Finalmente, DeepSee es portátil y no requiere acceso a Internet, lo que permite a los científicos usar DeepSee en expediciones de campo en entornos remotos.

Para evaluar el impacto de nuestro enfoque en la solución de un problema del mundo real, evaluamos DeepSee con los mismos colaboradores expertos que participaron en el proceso de diseño (Sección 7). Primero, realizamos una implementación inicial de DeepSee en el campo a bordo de un crucero de investigación para probar sus capacidades e ilustrar qué tareas de usuario se lograron en el campo. Luego, entrevistamos a cada miembro del equipo y recopilamos comentarios sobre la implementación en varias áreas de investigación de campo en aguas profundas en las que DeepSee tuvo impacto. Aprendimos que:

(1) La interacción de fluidos [16] y la agregación de datos visualizados en múltiples escalas pueden ayudar a los científicos a aumentar el rendimiento científico de muestras limitadas al permitir nuevas formas de hacer preguntas sobre los datos;

(2) La integración de datos 2D y 3D en la misma interfaz puede catalizar nuevos flujos de trabajo de investigación al descubrir nuevos objetivos potenciales para futuros muestreos y reducir el costo a largo plazo de la preparación de datos; y

(3) Las visualizaciones modulares pueden ayudar a los miembros del equipo con diferentes roles y diversos objetivos de investigación a resolver tareas específicas mientras deciden dónde y qué muestras recolectar.

A partir de estos hallazgos, sintetizamos principios para diseñar futuros sistemas de visualización en otros dominios impulsados por el trabajo de campo:

(1) Priorizar la integración de datos como una tarea del usuario al diseñar, ayudando a los usuarios a rastrear los datos que se agregan sobre la marcha en el campo;

(2) Visualizar datos físicos en el contexto del entorno, fomentando una mayor comprensión y comunicación de los conocimientos;

(3) Combinar tipos de datos para unir el análisis a escala micro y macro, aumentando el rendimiento científico en muestras limitadas; y

(4) Diseñar visualizaciones interactivas para facilitar el modelado mental, ayudando a los científicos a comprender y explorar procesos complejos.

En general, la combinación de interacción fluida, datos estrechamente integrados y visualizaciones modulares proporcionaron una visión profunda de los datos que ayudó a los investigadores a desarrollar una intuición más sólida sobre el espacio.

distribuciones de datos de muestras ambientales, facilitando en última instancia una selección de muestras futuras más informada.

En resumen, las contribuciones de este artículo son: (1) una caracterización del proceso científico y consideraciones de diseño para visualizar los ecosistemas de las profundidades oceánicas siguiendo un proceso de diseño centrado en el usuario; (2) DeepSee , un espacio de trabajo interactivo que visualiza la historia del muestreo de sedimentos de aguas profundas para seleccionar futuras ubicaciones de sitios de muestreo; y (3) reflexiones basadas en entrevistas con científicos que implementaron DeepSee y discuten las lecciones aprendidas y los impactos más amplios del aprovechamiento de las visualizaciones de datos para respaldar la investigación científica impulsada por el trabajo de campo.

[1] Código de DeepSee: https://github.com/orphanlab/DeepSee