Loading [MathJax]/extensions/tex2jax.js

0

1
1

文字

分享

0
1
1

沈積物的海底溜滑梯──淺談濁流與海底峽谷

xmallwolf
・2015/01/01 ・2982字 ・閱讀時間約 6 分鐘 ・SR值 491 ・五年級

-----廣告,請繼續往下閱讀-----

文/吳依璇、熊衎昕

引言

海有多深?海底下是什麼樣子?在看不到的海底,會是一片平坦嗎?

十九世紀中葉人們為了瞭解海有多深,拿個綁著石頭的繩子往海裡丟,數著繩結來估算海有多深。約在1930年代,由於聲納系統的發展,除了知道海有多深以外,還可以了解海平面以下的地形變化。現在多虧了google earth,隨時隨地都可以在電腦上看到海床樣貌。

chellange
圖一,挑戰者深淵在太平洋的位置,(圖片來源:google earth)。

但是海底長得如何,和我們的生活有什麼關係呢?

-----廣告,請繼續往下閱讀-----

1929年,紐芬蘭大淺灘(Grand Banks)發生規模7.2的大地震,大地震後的十幾個小時內,海底的電纜一根接著一根斷了,斷裂點從地震震央附近一路往深海延伸。人們想著,「難道是地震引出了某頭怪獸,一路衝撞到了深不可測的海底了?」。

1952
圖二,紐芬蘭大淺灘(Grand Banks)發生地震後,海底電纜斷裂的位置。黑線為海底電纜,藍線為受損的電纜,黑點為電纜斷裂處,紅圈為震央。(Heezen and Ewing, 1952)。

海底峽谷的「起源」

你累了嗎?聽個故事好嗎?1863年某一天,Dana沿著哈德遜灣(Hudson bay)掃著海底地形,掃出一條條像是河谷的凹地,大家發現這些特別地形後開始紛紛討論。

「這些凹地是怎麼來的?」

「難道是…以前曾經有過好幾條河流,後來這些河谷沉沒,於是靜靜的躺在海底下直到今天才發現呢?」Dana這樣想著(Dana, 1890)。

-----廣告,請繼續往下閱讀-----

「我想應該是地殼變動的關係吧。」Lawson表示著(Lawson, 1893),

「不,你們想太遠了,這些凹地是因為海底的水流不斷反覆沖刷侵蝕造成的!」Smith提出了反駁(Smith, 1902),

「我認為,應該是冰河期地表抬升,地表受到侵蝕,刻出一條條谷地。後來海平面上升,淹沒了谷地,所以我們現在才在海裡看到它們。」Spencer緩緩道來(Spencer, 1903)。

當時陸續有人在歐洲和美國東岸的大陸坡上發現到這些谷地,但是都沒有辦法提出強力的證據證明這些谷地的成因。於是,開始有人認為這些谷地只是一些錯誤資料,認為Dana這些人只是為了拼點數發期刊文章惹人注意而已。漸漸的,這些躺在海底下的谷地又默默的被淡忘了…..

-----廣告,請繼續往下閱讀-----

直到1928年,美國海岸及大地測量計劃(U.S. Coast and Geodetic Survey)開始在美國東岸進行一系列的海底測繪,

「什麼!Dana他們當初發現的那些峽谷…..怎麼都還在!」

這件事再度震驚了海洋地質界,沒想到多年前未解決的問題,又再浮現於眼前。

「滾滾長江東逝水,浪花淘盡英雄。冰河時期海平面下降,浪花一朵朵的打上大陸棚,使得大陸棚上的泥巴、石頭的變得鬆軟,這些泥巴石頭混著水就滑下了大陸坡去了,這就是那些峽谷的生成原因唄。」Daly如此說道,「這些谷地真像是大峽谷,又在海底下,就叫它──海底峽谷(submarine canyon)唄。」(Daly, 1936)

-----廣告,請繼續往下閱讀-----

此話一出,於是眾多的海洋地質學家們開始討論,揪竟…是什麼樣的沈積物與水的混合體才能在海底刻劃出海底峽谷如此偉大的藝術品呢?

直到了1952年,Heezen和Ewing想起當初1929年紐芬蘭大淺灘的地震,「也許當初引出的不是一頭兇猛的怪獸,而是沈積物與水的混合體以驚人速率(約100 km/h)前進,它們沿著海底峽谷一路衝撞,撞斷了許多海底電纜後,消失於深海中。我們需要個名字來稱呼這頭猛獸,它們叫做──濁流(turbidity current)。」(Heezen and Ewing, 1952)。

這頭濁流猛獸不只是1929年闖了禍,1887年到1937年間,還造成鋪設在剛果海底峽谷(Congo Canyon)頭部的海底電纜一斷再斷,總共斷了30次。這下有趣了,哪裡來的地震可以引出濁流,還沖斷了好幾次電纜?這時,Heezen他們才發現,不只是地震會引發濁流,原來剛果海底峽谷接在剛果河的河口上,剛果河帶來的沈積物與水混合後,形成了濁流,就這樣順勢進入了剛果海底峽谷。

Congo_canyon
圖三,剛果海底峽谷,剛果海底峽谷頭部與剛果河相接。(圖片來源:wiki)

雖然1863年來科學家對於海底峽谷生成的原因仍不斷筆戰中,但是,這時期出現了一位熱愛海底峽谷近乎如痴如狂的海洋地質學家──Francis P. Shepard。他不像其它海洋地質學家們猛在期刊文章上打嘴砲瞎猜峽谷生成的原因,反而多次潛入海底峽谷頭部拍照打卡(Shepard and Emery, 1946),量測峽谷底部的水流(Shepard et al., 1939),精確的測量峽谷頭部的變化(Shepard, 1937)。在多年的研究以後,Shepard有感而發,「唉呀,這些峽谷們真是複雜啊,我覺得它們是冰河期遺留的河谷挺合理的,它們是濁流切割大陸斜坡出來的谷地也挺合理的,有些峽谷看起來挺像是沿著斷層發育的。海底峽谷切得這麼深,它們的谷壁偶爾也會有土石流崩落,這些崩落也是會造成濁流啊。不然這樣好了,摻在一起做成撒尿牛丸啊!」。於是,1981年,Shepard提出海底峽谷形成是受到多種原因控制,並且峽谷的發育可能持續很長一段時間的想法(Shepard, 1981),暫時停止了科學家們間的戰火。

-----廣告,請繼續往下閱讀-----

海底峽谷在哪裡?就在你身邊!

全世界的大陸棚坡區都存在著一些海底峽谷,目前已知的峽谷約5849條(Harris and Whiteway, 2011)。

C2
圖四,海底峽谷分布圖,紅線為頭部與陸上河流相接的峽谷,黃線為頭部嵌入陸棚的峽谷,藍線為頭部限制在陸坡的峽谷(Harris and Whiteway, 2011)。

臺灣周圍的大陸棚坡地區也有發育峽谷,臺灣西南海域就有三條大型峽谷和許多小型峽谷,來自臺灣和中國陸上的沈積物藉由這些「沈積物的海底溜滑梯」,衝往深海海溝裡堆積。誇張的講,當我們在高屏溪河口扔下的垃圾,會順著高屏海底峽谷一路往下,接到澎湖海底峽谷和澎湖深海水道,最後,沒多久就會在馬尼拉海溝裡看到它的蹤跡。(Hsiung and Yu, 2011)

staidp_web
圖四,臺灣西南海域海底地形圖。

隨著時間匆匆過去,海水潮起潮落,紐芬蘭大淺灘(Grand Banks)的故事又再一次上演,2006年12月26日恆春外海發生了規模7的地震。除了造成輕微的人命傷亡和建築物損毀,令網路鄉民們感到同樣痛心的是,多條海底電纜中斷,導致網際網路…斷!線!了!

KP
圖五,臺灣西南海域電纜斷裂分布圖,紅點為電纜斷裂地點,黑線為海底電纜,黃線為高屏海底峽谷谷軸。(Hsu et al., 2008)

來看看這次電纜斷裂的地點吧,看來是因為濁流沿著高屏海底峽谷一路衝到深海去,順手牽了幾段電纜。先別怪罪濁流,要避免下次地震後沒辦法發地震文,是否要好好考慮一下海底電纜鋪設的地點呢?

-----廣告,請繼續往下閱讀-----

除了海底電纜的鋪設以外,和海底峽谷有關的議題也相當多,像是研究海底峽谷內海流的變化,以及水流受到峽谷地形的影響,將表層營養鹽帶入峽谷內,蓬勃了峽谷內的生態等。我們居住在四面環海的臺灣島(或離島)上,也許可以花多一點點的心思來觀察海底世界。

參考文獻:

  • Heezen, B. C., and Ewing, Maurice. (1952). Turbidity currents and submarine slumps, and the 1929 Grand Banks earthquake. American Journal of Science, 250(12), 849-873.
  • Lawson, Andrew. (1893). The Geology of Carmelo Bay. Univ. Calif., Dept. Geol., Bull. 1, 1-59.
  • Smith, W. S. R. (1902). The submarine valleys of the California coast. Science, XV(382), 670-672.
  • Spencer, J. W. (1903). Submarine valleys off the American coast and in the North Atlantic. Bull. Geol. Soc. Amer., 14, 207-226.
  • Daly, R. A. (1936). Origin of submarine canyons. American Journal of Science, 31(186), 401-420.
  • Shepard, F. P., Emery, K. O., (1946). Submarine photography off the Californa Coast. Jour. Geol., 44(5), 306-321.
  • Shepard, F. P., Revelle, R. R., Dietz, R.S., (1939). Ocean-bottom currents off the California Coast. Science. 89(2317), 488-489.
  • Shepard, F. P., (1937). Inverstigation of submarine topography during the past year. Trans. Amer. Geophys. Union. 226-228.
  • Shepard, F. P., (1981). Submarine canyons; multiple causes and long-time persistence. AAPG Bulletin, v. 65, 10621077.
  • Harris, P. T., and Whiteway, T. (2011). Global distribution of large submarine canyons: Geomorphic differences between active and passive continental margins. Marine Geology, 285(1-4), 69-86.
  • Hsiung, K.H., and Yu, H.S. (2011). Morpho-sedimentary evidence for a canyon–channel–trench interconnection along the Taiwan–Luzon plate margin, South China Sea. Geo-Marine Letters, 31(4), 215-226.
  • Hsu, S.K., Kuo, J., Lo, C. L., Tsai, C. H., Doo, W. B., Ku, C. Y., Sibuet, J. C. (2008) Turbidity Currents, Submarine Landslides and the 2006 Pingtung Earthquake off SW Taiwan.  TAO. 19(6).
-----廣告,請繼續往下閱讀-----
文章難易度
xmallwolf
6 篇文章 ・ 1 位粉絲
滔滔OceanSays編輯,也是PanSci特約作者,曾在茫茫的物理之海中載浮載沉,後來隨著洋流漂到遠洋慢慢沈積下來。

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

1
0

文字

分享

0
1
0
鯨魚為什麼歌唱?它們的歌聲可以用來探測海底地形?——《五感之外的世界》
臉譜出版_96
・2023/09/20 ・2132字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

一九九○年代,冷戰終於結束,蘇維埃政府在海中布下的潛水艇威脅也隨之消散,於是海軍提供克拉克與其他專家機會,讓他們透過 SOSUS 的水下麥克風觀測、記錄大海裡的各種聲音。透過聲音頻譜——也就是 SOSUS 系統將接收到的聲音轉換為視覺圖像——克拉克無庸置疑地看到了藍鯨正在歌唱的跡象。

光是第一天克拉克就發現,單一個 SOSUS 感測器所記錄下的藍鯨叫聲比過去所有科學文獻所記載的加起來還要多。大海中充斥著鯨魚的歌聲,而這些聲音則來自無比遙遠的彼方。克拉克估算,記錄下他聽見的那股歌聲的感測器,距離聲音的主人有兩千四百公里之遠。藉由位於百慕達的水下麥克風,他竟能夠聽見遠在愛爾蘭的鯨魚歌聲。

鯨魚的歌聲可以傳得很遠,整個大海中都充斥著鯨魚的歌聲。圖/Giphy

於是他說:「當時我心想:『羅傑的想法沒錯。』我們實際上真的可以探測到橫跨整個海洋盆地的鯨魚歌聲。」對於海軍的分析專家來說,這些聲音就是他們每天工作都會遇到的正常現象,而這些聲音與工作內容無關,所以根本不會被標記在聲音頻譜上,也因此就被忽略了。然而對克拉克來說,這卻是令他茅塞頓開的驚人發現。

穩定規律的「歌聲」其實是一種探測手段?

雖然藍鯨與長須鯨的歌聲能夠跨洋越海,卻沒人知道鯨魚是否真的會在如此遙遠的距離下互相溝通;畢竟牠們很有可能只是在用極大的音量對附近的同類示意,只是音波剛好傳到了很遠的地方去而已。不過克拉克又指出,鯨魚會一次又一次地不斷重複同樣的音頻,甚至也會精準維持音與音之間的間隔長度。鯨魚會在浮出水面呼吸時停止歌唱,回到水中繼續歌唱卻也會落在剛剛好的拍子上。他說:「所以牠們唱歌並不是隨興而至的舉動。」這種現象令他想起了火星探測車為了傳送資料回地球所發出的那種重複的連續訊號。假如人類想設計出能夠跨越海洋進行溝通的訊號,大概也會想出類似藍鯨歌聲的形式吧。

-----廣告,請繼續往下閱讀-----

鯨魚歌聲或許也有其他用途。牠們發出的每個音都能持續好幾秒,而其波長更是好比足球場的寬度。克拉克曾問過他在海軍的朋友,假如他有發出這種聲音的能力,可以拿來幹嘛?

「那我就能摸透整個海洋。」他的朋友如此回答道。這話的意思是,他能夠藉此刻畫出深海的地景,透過傳至遠方的次音波回音,他就能辨識出海底山稜與海床的位置。地球物理學家也肯定能運用長須鯨的歌聲來了解各處的地殼密度。那麼,鯨魚到底用這種聲音來做什麼呢?

鯨魚似乎可以透過歌聲的回音辨識出海底山稜與海床的位置。圖/pixabay

克拉克從鯨魚的動作中看出了答案;透過 SOSUS,他發現藍鯨出現在冰島與格陵蘭之間的極地水域中,一路蜂擁直奔——還是該說是鯨擁?——熱帶地區的百慕達,旅途中一路歌唱。他也看過鯨魚在深海的群山間左彎右拐,在幾百英里間的深海地景之中蜿蜒前進。「看到這些動物的移動方式,就會感覺牠們大腦裡似乎有著以音波構成的海洋地圖。」他如此說道。

他也猜測,鯨魚在長長的一輩子裡,會不斷累積大腦中的聲音記憶,隨之擴增儲存在大腦裡的海洋地圖。克拉克也還記得,曾有位資深海軍聲納專家告訴他,大海裡每個地方都有它專屬的聲音。克拉克告訴我:「他們說:『讓我戴上耳機,我不用看就能直接告訴你現在位於拉布拉多還是比斯開灣的海域。』而我就想,假如人類累積了三十年的經驗就能做到這個地步,何況是演化了一千萬年的動物呢?」

-----廣告,請繼續往下閱讀-----

漫長的迴響~不同時間尺度下的認知

不過關於鯨魚聽力的尺度,還是有令人費解之處。鯨魚的叫聲確實可以傳遞到很遠的地方,但卻也很花時間;在海裡,音波一分鐘只能傳五十英里(約八十公里)遠,因此假設一隻鯨魚聽見另一隻鯨魚在一千五百英里(約二四一四公里)之外發出的叫聲,這隻鯨魚得在半小時以後才能聽見對方的歌聲,就像天文學家觀測到的星光其實是恆星在很久很久以前散發出的光芒一樣。假如某隻鯨魚想探測五百英里(約八百零四公里)之外那座山的位置,牠得等上十分鐘才能接收到自己叫聲的回音,這感覺起來似乎有點荒謬。

然而各位想想,藍鯨在水面上的心跳一分鐘約為三十下,潛入水下後卻會下降至一分鐘只跳三次。這麼一想,鯨魚生命中的時間尺度想來一定與人類相當不同吧。倘若斑胸草雀能夠在單一個音裡就聽見以毫秒為單位的美麗音頻,也許藍鯨分辨同樣潛藏在聲音中的祕密訊號的時間尺度則是分或秒。若要想像鯨魚的生活樣貌,「你得發揮想像力,以完全不同的次元思考。」克拉克對我說道。

他認為這兩種體驗的差異應該就像先用玩具望遠鏡注視夜空,再改用美國太空總署架設在太空的哈伯太空望遠鏡一覽星羅棋布的壯麗星辰。一想到鯨魚,他的世界彷彿就變大了,不管是空間還是時間的尺度,都更加遼闊。

——本文摘自《五感之外的世界》,2023 年 8 月,臉譜出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
臉譜出版_96
88 篇文章 ・ 255 位粉絲
臉譜出版有著多種樣貌—商業。文學。人文。科普。藝術。生活。希望每個人都能找到他要的書,每本書都能找到讀它的人,讀書可以僅是一種樂趣,甚或一個最尋常的生活習慣。

0

9
0

文字

分享

0
9
0
不只能「透視海底」還可判釋水稻田!淺談福衛五號的影像多元應用
科技大觀園_96
・2021/08/23 ・2533字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

福衛五號幫助研究人員算出海底地形、找出稻田分布。圖/fatcat11 繪

「透視」海底,用福五影像逆推東沙環礁水底地形

中央大學太空及遙測中心的副教授黃智遠、副教授任玄及副教授曾國欣選定東沙環礁,測試福衛五號影像反演水底地形的能力。成果顯示,在訓練資料品質佳的情況下,以福五影像建置水底地形的精度與超高解析度衛星影像的成果相當,可協助內政部產製電子航行圖、環境監測、生物棲地研究等。 

傳統常以船隻搭載聲納,或飛機搭載光達的方式量測水深,這兩種方式皆須現地量測,精度高,但成本也高,且淺海與爭議水區的量測會受限。多光譜光學衛星影像能穿透約 20 公尺深的潔淨水體,成為廣泛調查淺水域的潛力方式。

要以衛星光譜影像反演水深,仍需收集訓練資料(例如地形的現地量測資訊)當作「教材」,讓電腦建立正確的模式參數。「沒有太多人為擾動影響、卻又要有高品質的訓練資料 ,同時符合這兩個條件的就選東沙環礁了!」東沙環礁有精密的光達測深資料,還有海水潔淨、淺水域面積廣大等優點。

此項技術的訓練方式是,輸入衛星影像各波段數值(主要為透水較佳的綠光波段)及其對應的實際水深訓練網路,網路模式訓練完成之後,輸入目標區域的衛星影像數值,就能推算出每個像素對應的水深資訊。

-----廣告,請繼續往下閱讀-----
福衛五號衛星於 2018 年 3 月 2 日所攝得東沙環礁影像。圖/國家太空中心提供

為了衡量福五影像的表現,團隊也拿超高解析度商用衛星 WorldView2 的影像反演水深,比較兩者成果。福五反演的水深成果精度達 1.62 公尺,雖略遜於 WorldView2 的 1.26 公尺,但相差不遠。

黃智遠解釋,相較於房屋、橋梁等地物地貌,水下自然地形的局部變化通常較小,所以對於衛星影像空間解析度的要求也較低。在反演水深的應用上,使用福五或超高解析度衛星的差異不大,福五反演僅局部區域比實際地形略深。

光譜反演的挑戰在於訓練資料蒐集困難,不過,透過衛星影像產製水深還有另一種稱為「立體對測量」的方法。福衛五號可以對地「立體取像」——人的視覺因左右眼視角差異而能感知立體,資料也能整合不同角度的衛星影像產生視差,萃取出目標物的數值地形模型,再以此當作訓練資料,進行模式訓練、反演水底地形。

過去團隊與內政部合作,在東海南海的許多島礁進行水深反演,已累積起一套決策樹,考量目標區域具備的資料庫、資料品質、成本等,可為不同地區挑選、整合不同的水深產製方式。

-----廣告,請繼續往下閱讀-----
東沙環礁水底地形。圖/研究團隊提供

雙衛星搭檔,提高水稻田判釋精度!

水稻田分佈判釋是行政院農委會農糧署年度重要工作項目,農糧署與臺灣大學理學院空間資訊研究中心教授朱子豪、遙測及資料加值組組長張家豪合作,以福衛五號影像結合合成孔徑雷達衛星影像判釋水稻田,正確性達 92%,大幅提高偵測精度。 

由於雲林有充足的基礎資料可供驗證與訓練模型,研究團隊選定雲林做為研究區域,試驗福五的影像用在水稻田判釋可達多少能力。 

團隊使用福衛五號影像,搭配 22 組歐洲太空總署合成孔徑雷達衛星「Sentinel-1」的開放資料,並試驗了三種方法:僅使用福五(光學)影像、僅用雷達影像、兩者相互搭配。結果顯示,整合兩者的效果最好,判釋正確性最高可達到 92%,高於單用光學或雷達影像的 90%、80%。

「光學衛星最大的限制就是雲!」雲會遮擋目標、影響判釋,而農作物判釋的取像時機又相當關鍵,取像時有雲就沒輒了;合成孔徑雷達衛星會主動發射微波到地面再接收反射波,可穿透雲層,不受雲覆與日照影響,可補強不同時期影像,取得水稻田從插秧、成長、結穗的時序變化資訊。

-----廣告,請繼續往下閱讀-----

本研究的突破在於,只用了單一分類器全自動判別的條件下,偵測精度大幅提升,更是首度只用一個時間點、單張光學影像就達到了。團隊對此也相當興奮,「可能因為福五當時在 11 月取像,剛好是水稻結穗時,影像特徵與其他作物差異較大。」張家豪解釋。 

推測了面積,可以進一步推估產量嗎?「一公頃稻作能收成 1,000 公斤或 4,000 公斤,有太多因素影響了。」朱子豪說。溫度、溼度、施肥、天災、病蟲害等都會影響收成,此類研究在平遂的情況下可大致估產,尚難達成精確估產。

福衛五號的自然彩色影像,綠色標記為水稻;黃色標記為非水稻。圖/研究團隊提供

掌握物候特徵是判釋關鍵

未來若要擴大範圍,判釋全國水稻田面積,由於各地農民栽種時序、田間管理多變,如何選擇適合的取像時間會是一大挑戰;若要擴展到判釋其他作物,則得視其生長特徵進行更多的分析比對。

張家豪舉例,判別柑橘類的常年果樹、葉菜類極困難,果樹在光學影像上看起永遠是綠色一片,也無足夠的栽種方式差異、生長週期特徵和其他特性可區辨;檳榔、椰子、香蕉從空中看都是放射狀葉片,雖可參考栽種密度與高度,但影像的空間解析度也得提高至 60 公分才能精確判別;蔥、蒜皆屬旱作,需要空間解析度優於 60 公分的影像,搭配如地區性栽種時序、田埂排列鮮明的地表特徵,有機會判釋成功,「但要是田裡混作個青江菜,就分不出來了。」

-----廣告,請繼續往下閱讀-----

梅樹是另個成功案例,它在 12 月下旬會落葉,隔年 2 月開花長葉結果。團隊曾執行判釋南投水里梅樹的研究,標定幾個時間取像,「若有某個區域在十月是綠葉、入冬出現裸露地特徵、然後變得白白的(開花)、四月又出現綠葉,那就很可能是梅樹!」但李子與梅樹的影像呈現類似,生長期也相近,要是沒在生長期重疊前順利取像,就會混淆兩者。

以衛星影像判釋作物不光是直白的「看照片」或分析光譜,掌握作物的「物候特徵」才是關鍵。

-----廣告,請繼續往下閱讀-----
科技大觀園_96
82 篇文章 ・ 1126 位粉絲
為妥善保存多年來此類科普活動產出的成果,並使一般大眾能透過網際網路分享科普資源,科技部於2007年完成「科技大觀園」科普網站的建置,並於2008年1月正式上線營運。 「科技大觀園」網站為一數位整合平台,累積了大量的科普影音、科技新知、科普文章、科普演講及各類科普活動訊息,期使科學能扎根於每個人的生活與文化中。